{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3361056"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3361056","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αναγνώριση δόλιων τραπεζικών συναλλαγών με χρήση μεθόδων Μηχανικής Μάθησης","abstract":"Τα τελευταία χρόνια έχει παρατηρηθεί δραματική αύξηση στη χρήση χρεωστικών και πιστωτικών καρτών κατά την πραγματοποίηση πληρωμών τόσο σε ηλεκτρονικές συναλλαγές όσο και σε αγορές στα καταστήματα. Ωστόσο, παράλληλα σημειώνεται και μια συνεχής αύξηση του ποσοστού δόλιων συναλλαγών που σχετίζονται με τη χρήση τραπεζικών καρτών ως μέσου πληρωμής, γεγονός που προκαλεί σημαντική οικονομική ζημία ιδιαίτερα στις επιχειρήσεις, όπου πραγματοποιούνται δόλιες δραστηριότητες, και τις εκδότριες τράπεζες των καρτών. Για το λόγο αυτό κρίνεται αναγκαίος ο έγκαιρος εντοπισμός τέτοιων συναλλαγών, ο οποίος μπορεί να επιτευχθεί με την χρήση αυτοματοποιημένων συστημάτων ανίχνευσης απάτης, που αναπτύσσονται με τη βοήθεια της μηχανικής μάθησης. Ωστόσο, η ανίχνευση απάτης με πιστωτική κάρτα αποτελεί πρόκληση για δύο κυρίως λόγους. Πρώτον, το μοτίβο τόσο των γνήσιων, όσο ιδιαίτερα των δόλιων συναλλαγών διαρκώς αλλάζει, καθιστώντας απαραίτητη τη συνεχή ενημέρωση των συστημάτων. Επιπλέον, τα σύνολα δεδομένων που περιέχουν πληροφορίες συναλλαγών με πιστωτικές κάρτες και χρησιμοποιούνται για την εκπαίδευση των αλγόριθμων είναι εξαιρετικά ανισόρροπα, δηλαδή η συχνότητα των γνήσιων συναλλαγών υπερτερεί κατά πολύ εκείνη των δόλιων, με αποτέλεσμα οι αλγόριθμοι να τείνουν να είναι μεροληπτικοί προς την πλειοψηφική κλάση. Η παρούσα διπλωματική εργασία εξετάζει την απόδοση τριών αλγόριθμων εποπτευόμενης μηχανικής μάθησης, Δέντρο αποφάσεων, Τυχαίο Δάσος και Μηχανή Διανυσμάτων Υποστήριξης, κατά την ταξινόμηση των συναλλαγών, που πραγματοποιούνται με πιστωτική κάρτα, σε δόλιες και γνήσιες. Η εκπαίδευση των αλγόριθμων, καθώς και κάποιες διαδικασίες προεπεξεργασίας των δεδομένων πραγματοποιήθηκαν με τη χρήση της γλώσσας προγραμματισμού R. Προκειμένου να αντιμετωπιστεί το πρόβλημα της ανισορροπίας των κλάσεων, προτού πραγματοποιηθεί η εκπαίδευση των αλγόριθμων με το σύνολο δεδομένων, εφαρμόστηκε σε αυτό η μέθοδος της υποδειγματοληψίας. Η απόδοση των τριών ταξινομητών αξιολογήθηκε με βάση τις μετρικές accuracy, recall, specificity, precision, F1 score και ROC AUC score. Τέλος, μετά από σύγκριση τα αποτελέσματα έδειξαν ότι ο αλγόριθμος που προβλέπει καλύτερα τις δόλιες συναλλαγές είναι το Τυχαίο Δάσος.","abstract_html":"Τα τελευταία χρόνια έχει παρατηρηθεί δραματική αύξηση στη χρήση χρεωστικών και πιστωτικών καρτών κατά την πραγματοποίηση πληρωμών τόσο σε ηλεκτρονικές συναλλαγές όσο και σε αγορές στα καταστήματα. Ωστόσο, παράλληλα σημειώνεται και μια συνεχής αύξηση του ποσοστού δόλιων συναλλαγών που σχετίζονται με τη χρήση τραπεζικών καρτών ως μέσου πληρωμής, γεγονός που προκαλεί σημαντική οικονομική ζημία ιδιαίτερα στις επιχειρήσεις, όπου πραγματοποιούνται δόλιες δραστηριότητες, και τις εκδότριες τράπεζες των καρτών. Για το λόγο αυτό κρίνεται αναγκαίος ο έγκαιρος εντοπισμός τέτοιων συναλλαγών, ο οποίος μπορεί να επιτευχθεί με την χρήση αυτοματοποιημένων συστημάτων ανίχνευσης απάτης, που αναπτύσσονται με τη βοήθεια της μηχανικής μάθησης. Ωστόσο, η ανίχνευση απάτης με πιστωτική κάρτα αποτελεί πρόκληση για δύο κυρίως λόγους. Πρώτον, το μοτίβο τόσο των γνήσιων, όσο ιδιαίτερα των δόλιων συναλλαγών διαρκώς αλλάζει, καθιστώντας απαραίτητη τη συνεχή ενημέρωση των συστημάτων. Επιπλέον, τα σύνολα δεδομένων που περιέχουν πληροφορίες συναλλαγών με πιστωτικές κάρτες και χρησιμοποιούνται για την εκπαίδευση των αλγόριθμων είναι εξαιρετικά ανισόρροπα, δηλαδή η συχνότητα των γνήσιων συναλλαγών υπερτερεί κατά πολύ εκείνη των δόλιων, με αποτέλεσμα οι αλγόριθμοι να τείνουν να είναι μεροληπτικοί προς την πλειοψηφική κλάση. Η παρούσα διπλωματική εργασία εξετάζει την απόδοση τριών αλγόριθμων εποπτευόμενης μηχανικής μάθησης, Δέντρο αποφάσεων, Τυχαίο Δάσος και Μηχανή Διανυσμάτων Υποστήριξης, κατά την ταξινόμηση των συναλλαγών, που πραγματοποιούνται με πιστωτική κάρτα, σε δόλιες και γνήσιες. Η εκπαίδευση των αλγόριθμων, καθώς και κάποιες διαδικασίες προεπεξεργασίας των δεδομένων πραγματοποιήθηκαν με τη χρήση της γλώσσας προγραμματισμού R. Προκειμένου να αντιμετωπιστεί το πρόβλημα της ανισορροπίας των κλάσεων, προτού πραγματοποιηθεί η εκπαίδευση των αλγόριθμων με το σύνολο δεδομένων, εφαρμόστηκε σε αυτό η μέθοδος της υποδειγματοληψίας. Η απόδοση των τριών ταξινομητών αξιολογήθηκε με βάση τις μετρικές accuracy, recall, specificity, precision, F1 score και ROC AUC score. Τέλος, μετά από σύγκριση τα αποτελέσματα έδειξαν ότι ο αλγόριθμος που προβλέπει καλύτερα τις δόλιες συναλλαγές είναι το Τυχαίο Δάσος.","abstract_has_math":false,"creators":["Νικολάου Αντιγόνη","Nikolaou Antigoni"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:23:53Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3361056"],"render_values":[{"text":"uoadl:3361056","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3361056","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3361056","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%3A3361056","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Νικολάου Αντιγόνη","Nikolaou Antigoni"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer 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:3361056","https://pergamos.lib.uoa.gr/uoa/dl/object/3361056"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα τελευταία χρόνια έχει παρατηρηθεί δραματική αύξηση στη χρήση χρεωστικών και πιστωτικών καρτών κατά την πραγματοποίηση πληρωμών τόσο σε ηλεκτρονικές συναλλαγές όσο και σε αγορές στα καταστήματα. Ωστόσο, παράλληλα σημειώνεται και μια συνεχής αύξηση του ποσοστού δόλιων συναλλαγών που σχετίζονται με τη χρήση τραπεζικών καρτών ως μέσου πληρωμής, γεγονός που προκαλεί σημαντική οικονομική ζημία ιδιαίτερα στις επιχειρήσεις, όπου πραγματοποιούνται δόλιες δραστηριότητες, και τις εκδότριες τράπεζες των καρτών. Για το λόγο αυτό κρίνεται αναγκαίος ο έγκαιρος εντοπισμός τέτοιων συναλλαγών, ο οποίος μπορεί να επιτευχθεί με την χρήση αυτοματοποιημένων συστημάτων ανίχνευσης απάτης, που αναπτύσσονται με τη βοήθεια της μηχανικής μάθησης. Ωστόσο, η ανίχνευση απάτης με πιστωτική κάρτα αποτελεί πρόκληση για δύο κυρίως λόγους. Πρώτον, το μοτίβο τόσο των γνήσιων, όσο ιδιαίτερα των δόλιων συναλλαγών διαρκώς αλλάζει, καθιστώντας απαραίτητη τη συνεχή ενημέρωση των συστημάτων. Επιπλέον, τα σύνολα δεδομένων που περιέχουν πληροφορίες συναλλαγών με πιστωτικές κάρτες και χρησιμοποιούνται για την εκπαίδευση των αλγόριθμων είναι εξαιρετικά ανισόρροπα, δηλαδή η συχνότητα των γνήσιων συναλλαγών υπερτερεί κατά πολύ εκείνη των δόλιων, με αποτέλεσμα οι αλγόριθμοι να τείνουν να είναι μεροληπτικοί προς την πλειοψηφική κλάση. Η παρούσα διπλωματική εργασία εξετάζει την απόδοση τριών αλγόριθμων εποπτευόμενης μηχανικής μάθησης, Δέντρο αποφάσεων, Τυχαίο Δάσος και Μηχανή Διανυσμάτων Υποστήριξης, κατά την ταξινόμηση των συναλλαγών, που πραγματοποιούνται με πιστωτική κάρτα, σε δόλιες και γνήσιες. Η εκπαίδευση των αλγόριθμων, καθώς και κάποιες διαδικασίες προεπεξεργασίας των δεδομένων πραγματοποιήθηκαν με τη χρήση της γλώσσας προγραμματισμού R. Προκειμένου να αντιμετωπιστεί το πρόβλημα της ανισορροπίας των κλάσεων, προτού πραγματοποιηθεί η εκπαίδευση των αλγόριθμων με το σύνολο δεδομένων, εφαρμόστηκε σε αυτό η μέθοδος της υποδειγματοληψίας. Η απόδοση των τριών ταξινομητών αξιολογήθηκε με βάση τις μετρικές accuracy, recall, specificity, precision, F1 score και ROC AUC score. Τέλος, μετά από σύγκριση τα αποτελέσματα έδειξαν ότι ο αλγόριθμος που προβλέπει καλύτερα τις δόλιες συναλλαγές είναι το Τυχαίο Δάσος.","In recent years there has been a dramatic increase in the use of debit and credit cards for both online and in-store payments. However, there has also been a steady rise in the rate of fraudulent transactions related to the use of bank cards as a means of payment, which causes significant financial damage, particularly to businesses where fraudulent activities take place as well as to the card issuing banks. It is therefore necessary to detect such transactions in a timely manner, which can be achieved using automated fraud detection systems developed with machine learning techniques. Nevertheless, bank card fraud detection is challenging for two main reasons. Firstly, the pattern of both genuine and particularly fraudulent transactions is constantly changing, making it necessary to keep systems continuously up-to-date. In addition, the datasets containing bank card transaction information used to train the algorithms are highly imbalanced, i.e. the frequency of genuine transactions is significantly higher than the fraudulent ones, so that the algorithms tend to be biased towards the majority class. This thesis examines the performance of three supervised machine learning algorithms, Decision Tree, Random Forest and Support Vector Machine, in classifying bank card transactions into fraudulent and genuine ones. The training of the algorithms, as well as some data preprocessing procedures were carried out using the programming language R. To address the problem of class imbalance, the undersampling method was applied to the dataset along with the training of the algorithms. The performance of the three classifiers was evaluated based on the metrics of accuracy, recall, specificity, precision, F1 score and ROC-AUC score. Finally, after comparison the results showed that the algorithm that best predicts fraudulent transactions is Random Forest."]},{"key":"dc:title","label":"Title","values":["Αναγνώριση δόλιων τραπεζικών συναλλαγών με χρήση μεθόδων Μηχανικής Μάθησης"]}]}],"canonical_facts":{"dc:creator":["Νικολάου Αντιγόνη","Nikolaou Antigoni"],"dc:date":["2023"],"dc:description":["Τα τελευταία χρόνια έχει παρατηρηθεί δραματική αύξηση στη χρήση χρεωστικών και πιστωτικών καρτών κατά την πραγματοποίηση πληρωμών τόσο σε ηλεκτρονικές συναλλαγές όσο και σε αγορές στα καταστήματα. Ωστόσο, παράλληλα σημειώνεται και μια συνεχής αύξηση του ποσοστού δόλιων συναλλαγών που σχετίζονται με τη χρήση τραπεζικών καρτών ως μέσου πληρωμής, γεγονός που προκαλεί σημαντική οικονομική ζημία ιδιαίτερα στις επιχειρήσεις, όπου πραγματοποιούνται δόλιες δραστηριότητες, και τις εκδότριες τράπεζες των καρτών. Για το λόγο αυτό κρίνεται αναγκαίος ο έγκαιρος εντοπισμός τέτοιων συναλλαγών, ο οποίος μπορεί να επιτευχθεί με την χρήση αυτοματοποιημένων συστημάτων ανίχνευσης απάτης, που αναπτύσσονται με τη βοήθεια της μηχανικής μάθησης. Ωστόσο, η ανίχνευση απάτης με πιστωτική κάρτα αποτελεί πρόκληση για δύο κυρίως λόγους. Πρώτον, το μοτίβο τόσο των γνήσιων, όσο ιδιαίτερα των δόλιων συναλλαγών διαρκώς αλλάζει, καθιστώντας απαραίτητη τη συνεχή ενημέρωση των συστημάτων. Επιπλέον, τα σύνολα δεδομένων που περιέχουν πληροφορίες συναλλαγών με πιστωτικές κάρτες και χρησιμοποιούνται για την εκπαίδευση των αλγόριθμων είναι εξαιρετικά ανισόρροπα, δηλαδή η συχνότητα των γνήσιων συναλλαγών υπερτερεί κατά πολύ εκείνη των δόλιων, με αποτέλεσμα οι αλγόριθμοι να τείνουν να είναι μεροληπτικοί προς την πλειοψηφική κλάση. Η παρούσα διπλωματική εργασία εξετάζει την απόδοση τριών αλγόριθμων εποπτευόμενης μηχανικής μάθησης, Δέντρο αποφάσεων, Τυχαίο Δάσος και Μηχανή Διανυσμάτων Υποστήριξης, κατά την ταξινόμηση των συναλλαγών, που πραγματοποιούνται με πιστωτική κάρτα, σε δόλιες και γνήσιες. Η εκπαίδευση των αλγόριθμων, καθώς και κάποιες διαδικασίες προεπεξεργασίας των δεδομένων πραγματοποιήθηκαν με τη χρήση της γλώσσας προγραμματισμού R. Προκειμένου να αντιμετωπιστεί το πρόβλημα της ανισορροπίας των κλάσεων, προτού πραγματοποιηθεί η εκπαίδευση των αλγόριθμων με το σύνολο δεδομένων, εφαρμόστηκε σε αυτό η μέθοδος της υποδειγματοληψίας. Η απόδοση των τριών ταξινομητών αξιολογήθηκε με βάση τις μετρικές accuracy, recall, specificity, precision, F1 score και ROC AUC score. Τέλος, μετά από σύγκριση τα αποτελέσματα έδειξαν ότι ο αλγόριθμος που προβλέπει καλύτερα τις δόλιες συναλλαγές είναι το Τυχαίο Δάσος.","In recent years there has been a dramatic increase in the use of debit and credit cards for both online and in-store payments. However, there has also been a steady rise in the rate of fraudulent transactions related to the use of bank cards as a means of payment, which causes significant financial damage, particularly to businesses where fraudulent activities take place as well as to the card issuing banks. It is therefore necessary to detect such transactions in a timely manner, which can be achieved using automated fraud detection systems developed with machine learning techniques. Nevertheless, bank card fraud detection is challenging for two main reasons. Firstly, the pattern of both genuine and particularly fraudulent transactions is constantly changing, making it necessary to keep systems continuously up-to-date. In addition, the datasets containing bank card transaction information used to train the algorithms are highly imbalanced, i.e. the frequency of genuine transactions is significantly higher than the fraudulent ones, so that the algorithms tend to be biased towards the majority class. This thesis examines the performance of three supervised machine learning algorithms, Decision Tree, Random Forest and Support Vector Machine, in classifying bank card transactions into fraudulent and genuine ones. The training of the algorithms, as well as some data preprocessing procedures were carried out using the programming language R. To address the problem of class imbalance, the undersampling method was applied to the dataset along with the training of the algorithms. The performance of the three classifiers was evaluated based on the metrics of accuracy, recall, specificity, precision, F1 score and ROC-AUC score. Finally, after comparison the results showed that the algorithm that best predicts fraudulent transactions is Random Forest."],"dc:identifier":["uoadl:3361056","https://pergamos.lib.uoa.gr/uoa/dl/object/3361056"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Αναγνώριση δόλιων τραπεζικών συναλλαγών με χρήση μεθόδων Μηχανικής Μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:53Z"}