{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2965439"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2965439","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Χρήση Artificial Intelligence και Machine Learning από τα Χρηματοπιστωτικά Ιδρύματα","abstract":"Η παρούσα Διπλωματική Εργασία πραγματεύεται την χρησιμότητα των νέων τεχνολογικών εργαλείων του Machine Learning και Artificial Intelligent στην ανάλυση και διαχείριση του Πιστωτικού Κινδύνου. Αρχικά, ορίζεται ο πιστωτικός κίνδυνος και αναλύονται οι διάφοροι μέθοδοι που χρησιμοποιούν τα Χρηματοπιστωτικά Ιδρύματα ώστε να αξιολογούν το ρίσκο του πελατολογίου τους. Στην συνέχεια, γίνεται αναφορά στον ορισμό των νέων τεχνολογιών αυτών και πιο συγκεκριμένα στις μεθόδους που δημιουργούν ένα μοντέλο Machine Learning καθώς όμως και τα οφέλη της Τεχνικής Νοημοσύνης όχι μόνο για το Τραπεζικό σύστημα αλλά και για τους καταναλωτές. Ακόμα, αναλύονται μερικά από τα οφέλη χρήσης των τεχνολογιών αυτών αλλά και τους κινδύνους που ελλοχεύουν. Τέλος, στο εμπειρικό κομμάτι, πραγματοποιείται μια ανάλυση σε δανειολήπτες της Αμερικής σχετικά με την πιθανότητά τους να αθετήσουν μια δανειακή σύμβαση και να διακόψουν την ομαλή αποπληρωμή του δανείου τους. Η ανάλυση βασίζεται στην μεθοδολογία του Random forest και παρουσιάζονται τα αποτελέσματα επιτυχίας του μοντέλου μας.","abstract_html":"Η παρούσα Διπλωματική Εργασία πραγματεύεται την χρησιμότητα των νέων τεχνολογικών εργαλείων του Machine Learning και Artificial Intelligent στην ανάλυση και διαχείριση του Πιστωτικού Κινδύνου. Αρχικά, ορίζεται ο πιστωτικός κίνδυνος και αναλύονται οι διάφοροι μέθοδοι που χρησιμοποιούν τα Χρηματοπιστωτικά Ιδρύματα ώστε να αξιολογούν το ρίσκο του πελατολογίου τους. Στην συνέχεια, γίνεται αναφορά στον ορισμό των νέων τεχνολογιών αυτών και πιο συγκεκριμένα στις μεθόδους που δημιουργούν ένα μοντέλο Machine Learning καθώς όμως και τα οφέλη της Τεχνικής Νοημοσύνης όχι μόνο για το Τραπεζικό σύστημα αλλά και για τους καταναλωτές. Ακόμα, αναλύονται μερικά από τα οφέλη χρήσης των τεχνολογιών αυτών αλλά και τους κινδύνους που ελλοχεύουν. Τέλος, στο εμπειρικό κομμάτι, πραγματοποιείται μια ανάλυση σε δανειολήπτες της Αμερικής σχετικά με την πιθανότητά τους να αθετήσουν μια δανειακή σύμβαση και να διακόψουν την ομαλή αποπληρωμή του δανείου τους. Η ανάλυση βασίζεται στην μεθοδολογία του Random forest και παρουσιάζονται τα αποτελέσματα επιτυχίας του μοντέλου μας.","abstract_has_math":false,"creators":["Γκόλφης Αλέξανδρος","Gkolfis Alexandros"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:44:17Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2965439"],"render_values":[{"text":"uoadl:2965439","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2965439","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2965439","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%3A2965439","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γκόλφης Αλέξανδρος","Gkolfis Alexandros"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"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":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"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:2965439","https://pergamos.lib.uoa.gr/uoa/dl/object/2965439"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα Διπλωματική Εργασία πραγματεύεται την χρησιμότητα των νέων τεχνολογικών εργαλείων του Machine Learning και Artificial Intelligent στην ανάλυση και διαχείριση του Πιστωτικού Κινδύνου. Αρχικά, ορίζεται ο πιστωτικός κίνδυνος και αναλύονται οι διάφοροι μέθοδοι που χρησιμοποιούν τα Χρηματοπιστωτικά Ιδρύματα ώστε να αξιολογούν το ρίσκο του πελατολογίου τους. Στην συνέχεια, γίνεται αναφορά στον ορισμό των νέων τεχνολογιών αυτών και πιο συγκεκριμένα στις μεθόδους που δημιουργούν ένα μοντέλο Machine Learning καθώς όμως και τα οφέλη της Τεχνικής Νοημοσύνης όχι μόνο για το Τραπεζικό σύστημα αλλά και για τους καταναλωτές. Ακόμα, αναλύονται μερικά από τα οφέλη χρήσης των τεχνολογιών αυτών αλλά και τους κινδύνους που ελλοχεύουν. Τέλος, στο εμπειρικό κομμάτι, πραγματοποιείται μια ανάλυση σε δανειολήπτες της Αμερικής σχετικά με την πιθανότητά τους να αθετήσουν μια δανειακή σύμβαση και να διακόψουν την ομαλή αποπληρωμή του δανείου τους. Η ανάλυση βασίζεται στην μεθοδολογία του Random forest και παρουσιάζονται τα αποτελέσματα επιτυχίας του μοντέλου μας.","This paper analyses credit rating systems through the implementation of new programming methods. First, an overview of credit risk and the financial institutions’ monitoring systems are presented. Then the usage of new programming tools, Machine Learning and Artificial Intelligent are discussed. After these tools are examined, the paper gives an overview of both their advantages and disadvantages. The paper finds both numerous benefits, for customers and institutions, and multiple new challenges for the financial sector. Finally, the last section of the paper presents a case study for the United States. Within the usage of big data, customer’s transactions, their payments and installment systems are analyzed. The random forest tool, as a machine learning method, is the most significant variable in our model."]},{"key":"dc:title","label":"Title","values":["Χρήση Artificial Intelligence και Machine Learning από τα Χρηματοπιστωτικά Ιδρύματα"]}]}],"canonical_facts":{"dc:creator":["Γκόλφης Αλέξανδρος","Gkolfis Alexandros"],"dc:date":["2021"],"dc:description":["Η παρούσα Διπλωματική Εργασία πραγματεύεται την χρησιμότητα των νέων τεχνολογικών εργαλείων του Machine Learning και Artificial Intelligent στην ανάλυση και διαχείριση του Πιστωτικού Κινδύνου. Αρχικά, ορίζεται ο πιστωτικός κίνδυνος και αναλύονται οι διάφοροι μέθοδοι που χρησιμοποιούν τα Χρηματοπιστωτικά Ιδρύματα ώστε να αξιολογούν το ρίσκο του πελατολογίου τους. Στην συνέχεια, γίνεται αναφορά στον ορισμό των νέων τεχνολογιών αυτών και πιο συγκεκριμένα στις μεθόδους που δημιουργούν ένα μοντέλο Machine Learning καθώς όμως και τα οφέλη της Τεχνικής Νοημοσύνης όχι μόνο για το Τραπεζικό σύστημα αλλά και για τους καταναλωτές. Ακόμα, αναλύονται μερικά από τα οφέλη χρήσης των τεχνολογιών αυτών αλλά και τους κινδύνους που ελλοχεύουν. Τέλος, στο εμπειρικό κομμάτι, πραγματοποιείται μια ανάλυση σε δανειολήπτες της Αμερικής σχετικά με την πιθανότητά τους να αθετήσουν μια δανειακή σύμβαση και να διακόψουν την ομαλή αποπληρωμή του δανείου τους. Η ανάλυση βασίζεται στην μεθοδολογία του Random forest και παρουσιάζονται τα αποτελέσματα επιτυχίας του μοντέλου μας.","This paper analyses credit rating systems through the implementation of new programming methods. First, an overview of credit risk and the financial institutions’ monitoring systems are presented. Then the usage of new programming tools, Machine Learning and Artificial Intelligent are discussed. After these tools are examined, the paper gives an overview of both their advantages and disadvantages. The paper finds both numerous benefits, for customers and institutions, and multiple new challenges for the financial sector. Finally, the last section of the paper presents a case study for the United States. Within the usage of big data, customer’s transactions, their payments and installment systems are analyzed. The random forest tool, as a machine learning method, is the most significant variable in our model."],"dc:identifier":["uoadl:2965439","https://pergamos.lib.uoa.gr/uoa/dl/object/2965439"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Χρήση Artificial Intelligence και Machine Learning από τα Χρηματοπιστωτικά Ιδρύματα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:44:17Z"}