{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3364014"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3364014","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη μοντέλων χρονοσειρών σε γλώσσα Python για πρόβλεψη μηνιαίων πωλήσεων και εισοδήματος","abstract":"Το αντικείμενο της παρούσας μεταπτυχιακής διπλωματικής εργασίας, απαρτίζεται από τέσσερα κεφάλαια, στο πλαίσιο της Επιστήμης των Δεδομένων και της Μηχανικής Μάθησης. Εστιάζει στην κατανόηση και εφαρμογή των μοντέλων χρονοσειρών, στοχεύοντας σε υψηλής ακρίβειας εκτιμήσεις προβλεπόμενων τιμών. Αρχικά, παρουσιάζονται τα βασικά χαρακτηριστικά μιας χρονοσειράς, αλλά και ο τρόπος προσέγγισης της. Πραγματοποιείται μια σύντομη ανασκόπηση της βιβλιογραφίας, από εφαρμογές με χρήση μοντέλων χρονοσειρών. Στη συνέχεια, πραγματοποιείται μια εκτενής οπτικοποιημένη ανάλυση των δεδομένων, που θα εξετασθούν. Ακολουθεί το κύριο μέρος της εργασίας, που περιέχει την περιγραφή του εκάστοτε μοντέλου και των αποτελεσμάτων του. Οι αλγόριθμοι που επιλέχθηκαν για τις προβλέψεις των μηνιαίων πωλήσεων και για τα μηνιαία έσοδα, αφορούν τα μοντέλα Arima, Facebook Prophet και XGBoost. Χρησιμοποιήθηκαν αρκετές δοκιμές με διαφορετικές παραμέτρους για κάθε μοντέλο, ώστε να ληφθεί το κατάλληλο με τη μέγιστη δυνατή απόδοση, ελέγχοντας τις εκτιμήσεις για πραγματικές τιμές. Τέλος, παρουσιάζεται μια σύνοψη των αποτελεσμάτων και η τελική επιλογή του βέλτιστου μοντέλου.","abstract_html":"Το αντικείμενο της παρούσας μεταπτυχιακής διπλωματικής εργασίας, απαρτίζεται από τέσσερα κεφάλαια, στο πλαίσιο της Επιστήμης των Δεδομένων και της Μηχανικής Μάθησης. Εστιάζει στην κατανόηση και εφαρμογή των μοντέλων χρονοσειρών, στοχεύοντας σε υψηλής ακρίβειας εκτιμήσεις προβλεπόμενων τιμών. Αρχικά, παρουσιάζονται τα βασικά χαρακτηριστικά μιας χρονοσειράς, αλλά και ο τρόπος προσέγγισης της. Πραγματοποιείται μια σύντομη ανασκόπηση της βιβλιογραφίας, από εφαρμογές με χρήση μοντέλων χρονοσειρών. Στη συνέχεια, πραγματοποιείται μια εκτενής οπτικοποιημένη ανάλυση των δεδομένων, που θα εξετασθούν. Ακολουθεί το κύριο μέρος της εργασίας, που περιέχει την περιγραφή του εκάστοτε μοντέλου και των αποτελεσμάτων του. Οι αλγόριθμοι που επιλέχθηκαν για τις προβλέψεις των μηνιαίων πωλήσεων και για τα μηνιαία έσοδα, αφορούν τα μοντέλα Arima, Facebook Prophet και XGBoost. Χρησιμοποιήθηκαν αρκετές δοκιμές με διαφορετικές παραμέτρους για κάθε μοντέλο, ώστε να ληφθεί το κατάλληλο με τη μέγιστη δυνατή απόδοση, ελέγχοντας τις εκτιμήσεις για πραγματικές τιμές. Τέλος, παρουσιάζεται μια σύνοψη των αποτελεσμάτων και η τελική επιλογή του βέλτιστου μοντέλου.","abstract_has_math":false,"creators":["Μαυροπούλου Νικολέτα","Mavropoulou Nikoleta"],"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":"2026-11-19T06:26:56Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3364014"],"render_values":[{"text":"uoadl:3364014","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3364014","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3364014","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%3A3364014","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαυροπούλου Νικολέτα","Mavropoulou Nikoleta"]}]},{"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:3364014","https://pergamos.lib.uoa.gr/uoa/dl/object/3364014"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Το αντικείμενο της παρούσας μεταπτυχιακής διπλωματικής εργασίας, απαρτίζεται από τέσσερα κεφάλαια, στο πλαίσιο της Επιστήμης των Δεδομένων και της Μηχανικής Μάθησης. Εστιάζει στην κατανόηση και εφαρμογή των μοντέλων χρονοσειρών, στοχεύοντας σε υψηλής ακρίβειας εκτιμήσεις προβλεπόμενων τιμών. Αρχικά, παρουσιάζονται τα βασικά χαρακτηριστικά μιας χρονοσειράς, αλλά και ο τρόπος προσέγγισης της. Πραγματοποιείται μια σύντομη ανασκόπηση της βιβλιογραφίας, από εφαρμογές με χρήση μοντέλων χρονοσειρών. Στη συνέχεια, πραγματοποιείται μια εκτενής οπτικοποιημένη ανάλυση των δεδομένων, που θα εξετασθούν. Ακολουθεί το κύριο μέρος της εργασίας, που περιέχει την περιγραφή του εκάστοτε μοντέλου και των αποτελεσμάτων του. Οι αλγόριθμοι που επιλέχθηκαν για τις προβλέψεις των μηνιαίων πωλήσεων και για τα μηνιαία έσοδα, αφορούν τα μοντέλα Arima, Facebook Prophet και XGBoost. Χρησιμοποιήθηκαν αρκετές δοκιμές με διαφορετικές παραμέτρους για κάθε μοντέλο, ώστε να ληφθεί το κατάλληλο με τη μέγιστη δυνατή απόδοση, ελέγχοντας τις εκτιμήσεις για πραγματικές τιμές. Τέλος, παρουσιάζεται μια σύνοψη των αποτελεσμάτων και η τελική επιλογή του βέλτιστου μοντέλου.","The subject of this master's thesis consists of four chapters, in the context of Data Science and Machine Learning. It focuses on the understanding and application of time series models, aiming at highly accurate estimates of forecast values. First, the basic characteristics of a time series are presented, as well as the way to approach it. A brief review of the literature is carried out, from applications using time series models. Then, an extensive visual analysis of the data to be examined is carried out. The main part of the paper follows, containing the description of each model and its results. The algorithms chosen for the monthly sales and monthly income forecasts are Arima, Facebook Prophet and XGBoost models. Several tests with different parameters were used for each model to obtain the one with the maximum possible performance, checking the estimates for actual values. Finally, a summary of the results and the final selection of the optimal model are presented."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη μοντέλων χρονοσειρών σε γλώσσα Python για πρόβλεψη μηνιαίων πωλήσεων και εισοδήματος"]}]}],"canonical_facts":{"dc:creator":["Μαυροπούλου Νικολέτα","Mavropoulou Nikoleta"],"dc:date":["2023"],"dc:description":["Το αντικείμενο της παρούσας μεταπτυχιακής διπλωματικής εργασίας, απαρτίζεται από τέσσερα κεφάλαια, στο πλαίσιο της Επιστήμης των Δεδομένων και της Μηχανικής Μάθησης. Εστιάζει στην κατανόηση και εφαρμογή των μοντέλων χρονοσειρών, στοχεύοντας σε υψηλής ακρίβειας εκτιμήσεις προβλεπόμενων τιμών. Αρχικά, παρουσιάζονται τα βασικά χαρακτηριστικά μιας χρονοσειράς, αλλά και ο τρόπος προσέγγισης της. Πραγματοποιείται μια σύντομη ανασκόπηση της βιβλιογραφίας, από εφαρμογές με χρήση μοντέλων χρονοσειρών. Στη συνέχεια, πραγματοποιείται μια εκτενής οπτικοποιημένη ανάλυση των δεδομένων, που θα εξετασθούν. Ακολουθεί το κύριο μέρος της εργασίας, που περιέχει την περιγραφή του εκάστοτε μοντέλου και των αποτελεσμάτων του. Οι αλγόριθμοι που επιλέχθηκαν για τις προβλέψεις των μηνιαίων πωλήσεων και για τα μηνιαία έσοδα, αφορούν τα μοντέλα Arima, Facebook Prophet και XGBoost. Χρησιμοποιήθηκαν αρκετές δοκιμές με διαφορετικές παραμέτρους για κάθε μοντέλο, ώστε να ληφθεί το κατάλληλο με τη μέγιστη δυνατή απόδοση, ελέγχοντας τις εκτιμήσεις για πραγματικές τιμές. Τέλος, παρουσιάζεται μια σύνοψη των αποτελεσμάτων και η τελική επιλογή του βέλτιστου μοντέλου.","The subject of this master's thesis consists of four chapters, in the context of Data Science and Machine Learning. It focuses on the understanding and application of time series models, aiming at highly accurate estimates of forecast values. First, the basic characteristics of a time series are presented, as well as the way to approach it. A brief review of the literature is carried out, from applications using time series models. Then, an extensive visual analysis of the data to be examined is carried out. The main part of the paper follows, containing the description of each model and its results. The algorithms chosen for the monthly sales and monthly income forecasts are Arima, Facebook Prophet and XGBoost models. Several tests with different parameters were used for each model to obtain the one with the maximum possible performance, checking the estimates for actual values. Finally, a summary of the results and the final selection of the optimal model are presented."],"dc:identifier":["uoadl:3364014","https://pergamos.lib.uoa.gr/uoa/dl/object/3364014"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανάπτυξη μοντέλων χρονοσειρών σε γλώσσα Python για πρόβλεψη μηνιαίων πωλήσεων και εισοδήματος"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:26:56Z"}