{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3419027"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3419027","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μοντελοποίηση πιστοληπτικής ικανότητας πελατών χρησιμοποιώντας τεχνικές μηχανικής μάθησης","abstract":"Η παρούσα διατριβή επικεντρώνεται στη χρήση τεχνικών Μηχανικής Μάθησης για τη μοντελοποίηση δεδομένων πιστωτικού κινδύνου σε επίπεδο πελάτη, με στόχο την αξιολόγηση της πιστοληπτικής ικανότητας. Ο στόχος είναι η ανάπτυξη ενός ισχυρού προβλεπτικού μοντέλου, το οποίο θα εξετάζει μοτίβα και τάσεις στα δεδομένα των πελατών, επιτρέποντας πιο ακριβείς αξιολογήσεις του πιστωτικού κινδύνου των αιτούντων. Το μοντέλο θα αξιοποιήσει έναν συνδυασμό αλγορίθμων μηχανικής μάθησης με επίβλεψη για την ανίχνευση πρώιμων δεικτών πιστωτικού κινδύνου, προσφέροντας λεπτομερείς πληροφορίες βάσει ιστορικών δεδομένων. Στόχος είναι η βελτίωση της ακρίβειας και της αξιοπιστίας των εργαλείων αξιολόγησης πιστοληπτικής ικανότητας, οδηγώντας σε πιο τεκμηριωμένες αποφάσεις δανειοδότησης και στη σταθερότητα του χρηματοπιστωτικού συστήματος. Επιπλέον, η χρήση της PySpark μας επιτρέπει την ανάλυση δεδομένων μεγάλης κλίμακας, συνδυάζοντας την πληθώρα βιβλιοθηκών ανάλυσης δεδομένων της Python με την κατανεμημένη υπολογιστική ισχύ που προσφέρει το Spark.","abstract_html":"Η παρούσα διατριβή επικεντρώνεται στη χρήση τεχνικών Μηχανικής Μάθησης για τη μοντελοποίηση δεδομένων πιστωτικού κινδύνου σε επίπεδο πελάτη, με στόχο την αξιολόγηση της πιστοληπτικής ικανότητας. Ο στόχος είναι η ανάπτυξη ενός ισχυρού προβλεπτικού μοντέλου, το οποίο θα εξετάζει μοτίβα και τάσεις στα δεδομένα των πελατών, επιτρέποντας πιο ακριβείς αξιολογήσεις του πιστωτικού κινδύνου των αιτούντων. Το μοντέλο θα αξιοποιήσει έναν συνδυασμό αλγορίθμων μηχανικής μάθησης με επίβλεψη για την ανίχνευση πρώιμων δεικτών πιστωτικού κινδύνου, προσφέροντας λεπτομερείς πληροφορίες βάσει ιστορικών δεδομένων. Στόχος είναι η βελτίωση της ακρίβειας και της αξιοπιστίας των εργαλείων αξιολόγησης πιστοληπτικής ικανότητας, οδηγώντας σε πιο τεκμηριωμένες αποφάσεις δανειοδότησης και στη σταθερότητα του χρηματοπιστωτικού συστήματος. Επιπλέον, η χρήση της PySpark μας επιτρέπει την ανάλυση δεδομένων μεγάλης κλίμακας, συνδυάζοντας την πληθώρα βιβλιοθηκών ανάλυσης δεδομένων της Python με την κατανεμημένη υπολογιστική ισχύ που προσφέρει το Spark.","abstract_has_math":false,"creators":["Τολίκας Σοφοκλής","Tolikas Sofoklis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:30:27Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3419027"],"render_values":[{"text":"uoadl:3419027","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419027","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419027","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%3A3419027","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τολίκας Σοφοκλής","Tolikas Sofoklis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3419027","https://pergamos.lib.uoa.gr/uoa/dl/object/3419027"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διατριβή επικεντρώνεται στη χρήση τεχνικών Μηχανικής Μάθησης για τη μοντελοποίηση δεδομένων πιστωτικού κινδύνου σε επίπεδο πελάτη, με στόχο την αξιολόγηση της πιστοληπτικής ικανότητας. Ο στόχος είναι η ανάπτυξη ενός ισχυρού προβλεπτικού μοντέλου, το οποίο θα εξετάζει μοτίβα και τάσεις στα δεδομένα των πελατών, επιτρέποντας πιο ακριβείς αξιολογήσεις του πιστωτικού κινδύνου των αιτούντων. Το μοντέλο θα αξιοποιήσει έναν συνδυασμό αλγορίθμων μηχανικής μάθησης με επίβλεψη για την ανίχνευση πρώιμων δεικτών πιστωτικού κινδύνου, προσφέροντας λεπτομερείς πληροφορίες βάσει ιστορικών δεδομένων. Στόχος είναι η βελτίωση της ακρίβειας και της αξιοπιστίας των εργαλείων αξιολόγησης πιστοληπτικής ικανότητας, οδηγώντας σε πιο τεκμηριωμένες αποφάσεις δανειοδότησης και στη σταθερότητα του χρηματοπιστωτικού συστήματος. Επιπλέον, η χρήση της PySpark μας επιτρέπει την ανάλυση δεδομένων μεγάλης κλίμακας, συνδυάζοντας την πληθώρα βιβλιοθηκών ανάλυσης δεδομένων της Python με την κατανεμημένη υπολογιστική ισχύ που προσφέρει το Spark.","The focus of this thesis is to employ Machine Learning techniques for modeling customer-level credit bureau data to score creditworthiness. The objective is to develop a robust predictive model by exploring patterns and trends in customer data, enabling more accurate assessments of applicants' credit risk. This model will leverage a combination of supervised machine learning algorithms to identify early indicators of credit risk, offering detailed insights based on historical credit information. The goal is to enhance the precision and reliability of credit evaluation tools, leading to more informed lending decisions and improved financial stability. Furthermore, the use of the PySpark framework allows for large-scale data analysis, combining Python's extensive data analysis libraries with Spark's distributed computing power for greater flexibility and scalability."]},{"key":"dc:title","label":"Title","values":["Μοντελοποίηση πιστοληπτικής ικανότητας πελατών χρησιμοποιώντας τεχνικές μηχανικής μάθησης"]}]}],"canonical_facts":{"dc:creator":["Τολίκας Σοφοκλής","Tolikas Sofoklis"],"dc:date":["2024"],"dc:description":["Η παρούσα διατριβή επικεντρώνεται στη χρήση τεχνικών Μηχανικής Μάθησης για τη μοντελοποίηση δεδομένων πιστωτικού κινδύνου σε επίπεδο πελάτη, με στόχο την αξιολόγηση της πιστοληπτικής ικανότητας. Ο στόχος είναι η ανάπτυξη ενός ισχυρού προβλεπτικού μοντέλου, το οποίο θα εξετάζει μοτίβα και τάσεις στα δεδομένα των πελατών, επιτρέποντας πιο ακριβείς αξιολογήσεις του πιστωτικού κινδύνου των αιτούντων. Το μοντέλο θα αξιοποιήσει έναν συνδυασμό αλγορίθμων μηχανικής μάθησης με επίβλεψη για την ανίχνευση πρώιμων δεικτών πιστωτικού κινδύνου, προσφέροντας λεπτομερείς πληροφορίες βάσει ιστορικών δεδομένων. Στόχος είναι η βελτίωση της ακρίβειας και της αξιοπιστίας των εργαλείων αξιολόγησης πιστοληπτικής ικανότητας, οδηγώντας σε πιο τεκμηριωμένες αποφάσεις δανειοδότησης και στη σταθερότητα του χρηματοπιστωτικού συστήματος. Επιπλέον, η χρήση της PySpark μας επιτρέπει την ανάλυση δεδομένων μεγάλης κλίμακας, συνδυάζοντας την πληθώρα βιβλιοθηκών ανάλυσης δεδομένων της Python με την κατανεμημένη υπολογιστική ισχύ που προσφέρει το Spark.","The focus of this thesis is to employ Machine Learning techniques for modeling customer-level credit bureau data to score creditworthiness. The objective is to develop a robust predictive model by exploring patterns and trends in customer data, enabling more accurate assessments of applicants' credit risk. This model will leverage a combination of supervised machine learning algorithms to identify early indicators of credit risk, offering detailed insights based on historical credit information. The goal is to enhance the precision and reliability of credit evaluation tools, leading to more informed lending decisions and improved financial stability. Furthermore, the use of the PySpark framework allows for large-scale data analysis, combining Python's extensive data analysis libraries with Spark's distributed computing power for greater flexibility and scalability."],"dc:identifier":["uoadl:3419027","https://pergamos.lib.uoa.gr/uoa/dl/object/3419027"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Μοντελοποίηση πιστοληπτικής ικανότητας πελατών χρησιμοποιώντας τεχνικές μηχανικής μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:27Z"}