{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2885797"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2885797","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εξόρυξη δεδομένων με την μέθοδο της κατηγοριοποίησης σε τραπεζικά δεδομένα","abstract":"H ραγδαία αύξηση του πλήθος των πληροφοριών που καλούμαστε στις μέρες μας να επεξεργαστούμε και η αποτυχία των “κλασσικών” μεθόδων στατιστικής στην ανάλυση και εξαγωγή χρήσιμων πληροφοριών από μεγάλα σετ δεδομένων οδήγησε στην ανάπτυξη της Εξόρυξης Δεδομένων. Η Εξόρυξη Δεδομένων (Data Mining) είναι μια σειρά από τεχνικές που χρησιμοποιούνται πλέον σχεδόν σε όλους του τομείς της σύγχρονης κοινωνίας (ιατρική, οικονομικά, μάρκετινγκ κτλ.) και αποτελεί μέρος της διαδικασίας Ανακάλυψής Γνώσης από Βάσεις Δεδομένων (Knowledge Discovery in Databases – KDD). Τα εργαλεία της Εξόρυξης Δεδομένων είναι οι αλγόριθμοι της, οι οποίοι επιχειρούν να βρουν χρήσιμα και κατανοητά πρότυπα στα δεδομένα. Η παρούσα διπλωματική εργασία εστιάζει στην Εξόρυξη Δεδομένων περιγράφοντας την εφαρμογή τριών μεθόδων κατηγοριοποίησης σε ένα τραπεζικό σετ δεδομένων το οποίο συλλέχτηκε μέσω μιας τηλεφωνικής καμπάνιας από ένα Πορτογαλικό πιστωτικό ίδρυμα. Οι τηλεφωνικής καμπάνιες αποτελούν ένα είδος άμεσου μάρκετινγκ στον τραπεζικό τομέα και είναι μια από τις πιο αποτελεσματικές μεθόδους πρόβλεψης των δυνητικών πελατών. Η αποτελεσματικότητα του άμεσου μάρκετινγκ αναλύεται χρησιμοποιώντας τρεις διαφορετικές μεθόδους, τα Δένδρα Αποφάσεων, τα Νευρωνικά Δίκτυα και την μέθοδο XGBoost. To σετ δεδομένων περιέχει 41.188 περιπτώσεις πελάτων οι οποίοι έλαβαν μέρος στην τηλεφωνική καμπάνια και είκοσι παραμέτρους οι οποίοι περιγράφουν τα χαρακτηριστικά του κάθε πελάτη. Αρχικά, τα δεδομένα αναλύθηκαν με τον αλγόριθμο ταξινόμησης των Δένδρων Αποφάσεων εφαρμόζοντας την τεχνική του κλαδέματος ώστε να αποφευχθεί το overfiting. Στη συνέχεια, εφαρμόστηκε ο αλγόριθμος των Νευρωνικών Δικτύων και του XGBoost σε συνδυασμό με το κριτήριο της πρόωρης διακοπής ώστε να αποφευχθεί και εδώ το overfiting. Λαμβάνοντας υπόψη τα αποτελέσματα των αλγορίθμων συμπεραίνουμε πως οι αλγόριθμοι είναι αξιόπιστοι αφού και οι τρεις κατέχουν ποσοστό ακρίβειας μεγαλύτερο του 90%, με τον πιο αποτελεσματικό να είναι εκείνο του XGBoost.","abstract_html":"H ραγδαία αύξηση του πλήθος των πληροφοριών που καλούμαστε στις μέρες μας να επεξεργαστούμε και η αποτυχία των “κλασσικών” μεθόδων στατιστικής στην ανάλυση και εξαγωγή χρήσιμων πληροφοριών από μεγάλα σετ δεδομένων οδήγησε στην ανάπτυξη της Εξόρυξης Δεδομένων. Η Εξόρυξη Δεδομένων (Data Mining) είναι μια σειρά από τεχνικές που χρησιμοποιούνται πλέον σχεδόν σε όλους του τομείς της σύγχρονης κοινωνίας (ιατρική, οικονομικά, μάρκετινγκ κτλ.) και αποτελεί μέρος της διαδικασίας Ανακάλυψής Γνώσης από Βάσεις Δεδομένων (Knowledge Discovery in Databases – KDD). Τα εργαλεία της Εξόρυξης Δεδομένων είναι οι αλγόριθμοι της, οι οποίοι επιχειρούν να βρουν χρήσιμα και κατανοητά πρότυπα στα δεδομένα. Η παρούσα διπλωματική εργασία εστιάζει στην Εξόρυξη Δεδομένων περιγράφοντας την εφαρμογή τριών μεθόδων κατηγοριοποίησης σε ένα τραπεζικό σετ δεδομένων το οποίο συλλέχτηκε μέσω μιας τηλεφωνικής καμπάνιας από ένα Πορτογαλικό πιστωτικό ίδρυμα. Οι τηλεφωνικής καμπάνιες αποτελούν ένα είδος άμεσου μάρκετινγκ στον τραπεζικό τομέα και είναι μια από τις πιο αποτελεσματικές μεθόδους πρόβλεψης των δυνητικών πελατών. Η αποτελεσματικότητα του άμεσου μάρκετινγκ αναλύεται χρησιμοποιώντας τρεις διαφορετικές μεθόδους, τα Δένδρα Αποφάσεων, τα Νευρωνικά Δίκτυα και την μέθοδο XGBoost. To σετ δεδομένων περιέχει 41.188 περιπτώσεις πελάτων οι οποίοι έλαβαν μέρος στην τηλεφωνική καμπάνια και είκοσι παραμέτρους οι οποίοι περιγράφουν τα χαρακτηριστικά του κάθε πελάτη. Αρχικά, τα δεδομένα αναλύθηκαν με τον αλγόριθμο ταξινόμησης των Δένδρων Αποφάσεων εφαρμόζοντας την τεχνική του κλαδέματος ώστε να αποφευχθεί το overfiting. Στη συνέχεια, εφαρμόστηκε ο αλγόριθμος των Νευρωνικών Δικτύων και του XGBoost σε συνδυασμό με το κριτήριο της πρόωρης διακοπής ώστε να αποφευχθεί και εδώ το overfiting. Λαμβάνοντας υπόψη τα αποτελέσματα των αλγορίθμων συμπεραίνουμε πως οι αλγόριθμοι είναι αξιόπιστοι αφού και οι τρεις κατέχουν ποσοστό ακρίβειας μεγαλύτερο του 90%, με τον πιο αποτελεσματικό να είναι εκείνο του XGBoost.","abstract_has_math":false,"creators":["Μπιμπίκας Αθανάσιος","Bimpikas Athanasios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:36:29Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2885797"],"render_values":[{"text":"uoadl:2885797","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2885797","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2885797","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2885797","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπιμπίκας Αθανάσιος","Bimpikas Athanasios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2885797","https://pergamos.lib.uoa.gr/uoa/dl/object/2885797"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["H ραγδαία αύξηση του πλήθος των πληροφοριών που καλούμαστε στις μέρες μας να επεξεργαστούμε και η αποτυχία των “κλασσικών” μεθόδων στατιστικής στην ανάλυση και εξαγωγή χρήσιμων πληροφοριών από μεγάλα σετ δεδομένων οδήγησε στην ανάπτυξη της Εξόρυξης Δεδομένων. Η Εξόρυξη Δεδομένων (Data Mining) είναι μια σειρά από τεχνικές που χρησιμοποιούνται πλέον σχεδόν σε όλους του τομείς της σύγχρονης κοινωνίας (ιατρική, οικονομικά, μάρκετινγκ κτλ.) και αποτελεί μέρος της διαδικασίας Ανακάλυψής Γνώσης από Βάσεις Δεδομένων (Knowledge Discovery in Databases – KDD). Τα εργαλεία της Εξόρυξης Δεδομένων είναι οι αλγόριθμοι της, οι οποίοι επιχειρούν να βρουν χρήσιμα και κατανοητά πρότυπα στα δεδομένα. Η παρούσα διπλωματική εργασία εστιάζει στην Εξόρυξη Δεδομένων περιγράφοντας την εφαρμογή τριών μεθόδων κατηγοριοποίησης σε ένα τραπεζικό σετ δεδομένων το οποίο συλλέχτηκε μέσω μιας τηλεφωνικής καμπάνιας από ένα Πορτογαλικό πιστωτικό ίδρυμα. Οι τηλεφωνικής καμπάνιες αποτελούν ένα είδος άμεσου μάρκετινγκ στον τραπεζικό τομέα και είναι μια από τις πιο αποτελεσματικές μεθόδους πρόβλεψης των δυνητικών πελατών. Η αποτελεσματικότητα του άμεσου μάρκετινγκ αναλύεται χρησιμοποιώντας τρεις διαφορετικές μεθόδους, τα Δένδρα Αποφάσεων, τα Νευρωνικά Δίκτυα και την μέθοδο XGBoost. To σετ δεδομένων περιέχει 41.188 περιπτώσεις πελάτων οι οποίοι έλαβαν μέρος στην τηλεφωνική καμπάνια και είκοσι παραμέτρους οι οποίοι περιγράφουν τα χαρακτηριστικά του κάθε πελάτη. Αρχικά, τα δεδομένα αναλύθηκαν με τον αλγόριθμο ταξινόμησης των Δένδρων Αποφάσεων εφαρμόζοντας την τεχνική του κλαδέματος ώστε να αποφευχθεί το overfiting. Στη συνέχεια, εφαρμόστηκε ο αλγόριθμος των Νευρωνικών Δικτύων και του XGBoost σε συνδυασμό με το κριτήριο της πρόωρης διακοπής ώστε να αποφευχθεί και εδώ το overfiting. Λαμβάνοντας υπόψη τα αποτελέσματα των αλγορίθμων συμπεραίνουμε πως οι αλγόριθμοι είναι αξιόπιστοι αφού και οι τρεις κατέχουν ποσοστό ακρίβειας μεγαλύτερο του 90%, με τον πιο αποτελεσματικό να είναι εκείνο του XGBoost.","The rapid increase in the amount of information which we have to process and the failure of \"typical\" statistical methods in analyzing and extracting useful information from large data sets has led to the development of Data Mining. Data Mining is a set of techniques that is used in almost all areas of modern society (medicine, finance, marketing, etc.) and it is part of the Knowledge Discovery in Databases (KDD). The tools of Data Mining are algorithms, which try to find useful and understandable standards in the data. This Master Thesis focuses on Data Mining describing the application of three categorization methods to a banking dataset which was collected through a telephone campaign from a Portuguese credit institution. Telephone campaigns are a kind of direct marketing in the banking sector and are one of the most effective methods of forecasting potential customers. The effectiveness of direct marketing is analyzed using three different methods, Decision Trees, Neural Network and the XGBoost method. The dataset contains 41.188 customer cases that took part in the telephone campaign and twenty parameters that describe the characteristics of each customer. Initially, the data was analyzed with the Decision Tree classification algorithm by applying the pruning technique to avoid overfiting. Then, the algorithm of Neural Networks and XGBoost was implemented in conjunction with the criterion of early stopping to avoid overfiting. Taking into consideration the results of the algorithms we conclude that the algorithms are reliable since they have proportion of accuracy more than 90%, with the most effective being the XGBoost."]},{"key":"dc:title","label":"Title","values":["Εξόρυξη δεδομένων με την μέθοδο της κατηγοριοποίησης σε τραπεζικά δεδομένα"]}]}],"canonical_facts":{"dc:creator":["Μπιμπίκας Αθανάσιος","Bimpikas Athanasios"],"dc:date":["2019"],"dc:description":["H ραγδαία αύξηση του πλήθος των πληροφοριών που καλούμαστε στις μέρες μας να επεξεργαστούμε και η αποτυχία των “κλασσικών” μεθόδων στατιστικής στην ανάλυση και εξαγωγή χρήσιμων πληροφοριών από μεγάλα σετ δεδομένων οδήγησε στην ανάπτυξη της Εξόρυξης Δεδομένων. Η Εξόρυξη Δεδομένων (Data Mining) είναι μια σειρά από τεχνικές που χρησιμοποιούνται πλέον σχεδόν σε όλους του τομείς της σύγχρονης κοινωνίας (ιατρική, οικονομικά, μάρκετινγκ κτλ.) και αποτελεί μέρος της διαδικασίας Ανακάλυψής Γνώσης από Βάσεις Δεδομένων (Knowledge Discovery in Databases – KDD). Τα εργαλεία της Εξόρυξης Δεδομένων είναι οι αλγόριθμοι της, οι οποίοι επιχειρούν να βρουν χρήσιμα και κατανοητά πρότυπα στα δεδομένα. Η παρούσα διπλωματική εργασία εστιάζει στην Εξόρυξη Δεδομένων περιγράφοντας την εφαρμογή τριών μεθόδων κατηγοριοποίησης σε ένα τραπεζικό σετ δεδομένων το οποίο συλλέχτηκε μέσω μιας τηλεφωνικής καμπάνιας από ένα Πορτογαλικό πιστωτικό ίδρυμα. Οι τηλεφωνικής καμπάνιες αποτελούν ένα είδος άμεσου μάρκετινγκ στον τραπεζικό τομέα και είναι μια από τις πιο αποτελεσματικές μεθόδους πρόβλεψης των δυνητικών πελατών. Η αποτελεσματικότητα του άμεσου μάρκετινγκ αναλύεται χρησιμοποιώντας τρεις διαφορετικές μεθόδους, τα Δένδρα Αποφάσεων, τα Νευρωνικά Δίκτυα και την μέθοδο XGBoost. To σετ δεδομένων περιέχει 41.188 περιπτώσεις πελάτων οι οποίοι έλαβαν μέρος στην τηλεφωνική καμπάνια και είκοσι παραμέτρους οι οποίοι περιγράφουν τα χαρακτηριστικά του κάθε πελάτη. Αρχικά, τα δεδομένα αναλύθηκαν με τον αλγόριθμο ταξινόμησης των Δένδρων Αποφάσεων εφαρμόζοντας την τεχνική του κλαδέματος ώστε να αποφευχθεί το overfiting. Στη συνέχεια, εφαρμόστηκε ο αλγόριθμος των Νευρωνικών Δικτύων και του XGBoost σε συνδυασμό με το κριτήριο της πρόωρης διακοπής ώστε να αποφευχθεί και εδώ το overfiting. Λαμβάνοντας υπόψη τα αποτελέσματα των αλγορίθμων συμπεραίνουμε πως οι αλγόριθμοι είναι αξιόπιστοι αφού και οι τρεις κατέχουν ποσοστό ακρίβειας μεγαλύτερο του 90%, με τον πιο αποτελεσματικό να είναι εκείνο του XGBoost.","The rapid increase in the amount of information which we have to process and the failure of \"typical\" statistical methods in analyzing and extracting useful information from large data sets has led to the development of Data Mining. Data Mining is a set of techniques that is used in almost all areas of modern society (medicine, finance, marketing, etc.) and it is part of the Knowledge Discovery in Databases (KDD). The tools of Data Mining are algorithms, which try to find useful and understandable standards in the data. This Master Thesis focuses on Data Mining describing the application of three categorization methods to a banking dataset which was collected through a telephone campaign from a Portuguese credit institution. Telephone campaigns are a kind of direct marketing in the banking sector and are one of the most effective methods of forecasting potential customers. The effectiveness of direct marketing is analyzed using three different methods, Decision Trees, Neural Network and the XGBoost method. The dataset contains 41.188 customer cases that took part in the telephone campaign and twenty parameters that describe the characteristics of each customer. Initially, the data was analyzed with the Decision Tree classification algorithm by applying the pruning technique to avoid overfiting. Then, the algorithm of Neural Networks and XGBoost was implemented in conjunction with the criterion of early stopping to avoid overfiting. Taking into consideration the results of the algorithms we conclude that the algorithms are reliable since they have proportion of accuracy more than 90%, with the most effective being the XGBoost."],"dc:identifier":["uoadl:2885797","https://pergamos.lib.uoa.gr/uoa/dl/object/2885797"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Εξόρυξη δεδομένων με την μέθοδο της κατηγοριοποίησης σε τραπεζικά δεδομένα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:36:29Z"}