{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5453295"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5453295","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόβλεψη ακαδημαϊκής επίδοσης με συγκριτική αξιολόγηση μοντέλων μηχανικής μάθησης και τεχνικές feature engineering","abstract":"Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή τεχνικών μηχανικής μάθησης για την πρόβλεψη της ακαδημαϊκής επίδοσης φοιτητών, αξιοποιώντας δεδομένα από εκπαιδευτικά περιβάλλοντα. Στόχος της μελέτης είναι η ανάπτυξη μοντέλων πρόβλεψης που μπορούν να εντοπίσουν έγκαιρα φοιτητές με αυξημένη πιθανότητα αποτυχίας, συμβάλλοντας στη βελτίωση της εκπαιδευτικής διαδικασίας. Για τον σκοπό αυτό, πραγματοποιήθηκε εκτενής προεπεξεργασία των δεδομένων, συμπεριλαμβανομένου καθαρισμού, κανονικοποίησης και μετασχηματισμού μεταβλητών. Επιπλέον, εφαρμόστηκαν τεχνικές feature engineering, με τη δημιουργία νέων χαρακτηριστικών που αποτυπώνουν πιο σύνθετες σχέσεις μεταξύ των μεταβλητών, όπως αλληλεπιδράσεις και μη γραμμικοί μετασχηματισμοί. Στη συνέχεια, εκπαιδεύτηκαν και αξιολογήθηκαν διάφορα μοντέλα μηχανικής μάθησης, όπως Logistic Regression, Random Forest, XGBoost και Νευρωνικά Δίκτυα. Η αξιολόγηση πραγματοποιήθηκε με τη χρήση μετρικών όπως accuracy, precision, recall και F1-score. Τα αποτελέσματα έδειξαν ότι τα πιο σύνθετα μοντέλα, όπως τα ensemble μοντέλα και τα νευρωνικά δίκτυα, επιτυγχάνουν εξαιρετικά υψηλή ακρίβεια πρόβλεψης, υπερέχοντας της Logistic Regression. Επιπλέον, η διαδικασία feature engineering συνέβαλε σημαντικά στη βελτίωση της απόδοσης των μοντέλων. Η ανάλυση της σημαντικότητας χαρακτηριστικών ανέδειξε ότι η ακαδημαϊκή επίδοση σχετίζεται τόσο με τη βαθμολογία όσο και με τη συμμετοχή των φοιτητών στο εκπαιδευτικό περιβάλλον. Τα ευρήματα της μελέτης μπορούν να αξιοποιηθούν για την ανάπτυξη συστημάτων έγκαιρης πρόβλεψης και υποστήριξης φοιτητών. Συνολικά, η εργασία αναδεικνύει τη σημασία της μηχανικής μάθησης και της ανάλυσης δεδομένων στον τομέα της εκπαίδευσης, προσφέροντας χρήσιμα συμπεράσματα για τη βελτίωση της μαθησιακής διαδικασίας.","abstract_html":"Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή τεχνικών μηχανικής μάθησης για την πρόβλεψη της ακαδημαϊκής επίδοσης φοιτητών, αξιοποιώντας δεδομένα από εκπαιδευτικά περιβάλλοντα. Στόχος της μελέτης είναι η ανάπτυξη μοντέλων πρόβλεψης που μπορούν να εντοπίσουν έγκαιρα φοιτητές με αυξημένη πιθανότητα αποτυχίας, συμβάλλοντας στη βελτίωση της εκπαιδευτικής διαδικασίας. Για τον σκοπό αυτό, πραγματοποιήθηκε εκτενής προεπεξεργασία των δεδομένων, συμπεριλαμβανομένου καθαρισμού, κανονικοποίησης και μετασχηματισμού μεταβλητών. Επιπλέον, εφαρμόστηκαν τεχνικές feature engineering, με τη δημιουργία νέων χαρακτηριστικών που αποτυπώνουν πιο σύνθετες σχέσεις μεταξύ των μεταβλητών, όπως αλληλεπιδράσεις και μη γραμμικοί μετασχηματισμοί. Στη συνέχεια, εκπαιδεύτηκαν και αξιολογήθηκαν διάφορα μοντέλα μηχανικής μάθησης, όπως Logistic Regression, Random Forest, XGBoost και Νευρωνικά Δίκτυα. Η αξιολόγηση πραγματοποιήθηκε με τη χρήση μετρικών όπως accuracy, precision, recall και F1-score. Τα αποτελέσματα έδειξαν ότι τα πιο σύνθετα μοντέλα, όπως τα ensemble μοντέλα και τα νευρωνικά δίκτυα, επιτυγχάνουν εξαιρετικά υψηλή ακρίβεια πρόβλεψης, υπερέχοντας της Logistic Regression. Επιπλέον, η διαδικασία feature engineering συνέβαλε σημαντικά στη βελτίωση της απόδοσης των μοντέλων. Η ανάλυση της σημαντικότητας χαρακτηριστικών ανέδειξε ότι η ακαδημαϊκή επίδοση σχετίζεται τόσο με τη βαθμολογία όσο και με τη συμμετοχή των φοιτητών στο εκπαιδευτικό περιβάλλον. Τα ευρήματα της μελέτης μπορούν να αξιοποιηθούν για την ανάπτυξη συστημάτων έγκαιρης πρόβλεψης και υποστήριξης φοιτητών. Συνολικά, η εργασία αναδεικνύει τη σημασία της μηχανικής μάθησης και της ανάλυσης δεδομένων στον τομέα της εκπαίδευσης, προσφέροντας χρήσιμα συμπεράσματα για τη βελτίωση της μαθησιακής διαδικασίας.","abstract_has_math":false,"creators":["ΓΚΙΟΛΑΙ ΛΟΥΪΖΑ","GJOLAJ LUIZA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:55Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5453295"],"render_values":[{"text":"uoadl:5453295","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5453295","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5453295","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%3A5453295","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΓΚΙΟΛΑΙ ΛΟΥΪΖΑ","GJOLAJ LUIZA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5453295","https://pergamos.lib.uoa.gr/uoa/dl/object/5453295"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή τεχνικών μηχανικής μάθησης για την πρόβλεψη της ακαδημαϊκής επίδοσης φοιτητών, αξιοποιώντας δεδομένα από εκπαιδευτικά περιβάλλοντα. Στόχος της μελέτης είναι η ανάπτυξη μοντέλων πρόβλεψης που μπορούν να εντοπίσουν έγκαιρα φοιτητές με αυξημένη πιθανότητα αποτυχίας, συμβάλλοντας στη βελτίωση της εκπαιδευτικής διαδικασίας. Για τον σκοπό αυτό, πραγματοποιήθηκε εκτενής προεπεξεργασία των δεδομένων, συμπεριλαμβανομένου καθαρισμού, κανονικοποίησης και μετασχηματισμού μεταβλητών. Επιπλέον, εφαρμόστηκαν τεχνικές feature engineering, με τη δημιουργία νέων χαρακτηριστικών που αποτυπώνουν πιο σύνθετες σχέσεις μεταξύ των μεταβλητών, όπως αλληλεπιδράσεις και μη γραμμικοί μετασχηματισμοί. Στη συνέχεια, εκπαιδεύτηκαν και αξιολογήθηκαν διάφορα μοντέλα μηχανικής μάθησης, όπως Logistic Regression, Random Forest, XGBoost και Νευρωνικά Δίκτυα. Η αξιολόγηση πραγματοποιήθηκε με τη χρήση μετρικών όπως accuracy, precision, recall και F1-score. Τα αποτελέσματα έδειξαν ότι τα πιο σύνθετα μοντέλα, όπως τα ensemble μοντέλα και τα νευρωνικά δίκτυα, επιτυγχάνουν εξαιρετικά υψηλή ακρίβεια πρόβλεψης, υπερέχοντας της Logistic Regression. Επιπλέον, η διαδικασία feature engineering συνέβαλε σημαντικά στη βελτίωση της απόδοσης των μοντέλων. Η ανάλυση της σημαντικότητας χαρακτηριστικών ανέδειξε ότι η ακαδημαϊκή επίδοση σχετίζεται τόσο με τη βαθμολογία όσο και με τη συμμετοχή των φοιτητών στο εκπαιδευτικό περιβάλλον. Τα ευρήματα της μελέτης μπορούν να αξιοποιηθούν για την ανάπτυξη συστημάτων έγκαιρης πρόβλεψης και υποστήριξης φοιτητών. Συνολικά, η εργασία αναδεικνύει τη σημασία της μηχανικής μάθησης και της ανάλυσης δεδομένων στον τομέα της εκπαίδευσης, προσφέροντας χρήσιμα συμπεράσματα για τη βελτίωση της μαθησιακής διαδικασίας.","This thesis investigates the application of machine learning techniques for predicting students’ academic performance, utilizing data derived from educational environments. The main objective of the study is to develop predictive models capable of identifying students at risk of failure at an early stage, thereby contributing to the improvement of the educational process. To achieve this, extensive data preprocessing was conducted, including data cleaning, normalization, and transformation of variables. In addition, feature engineering techniques were applied, generating new features that capture complex relationships between variables, such as interaction terms and non-linear transformations. Subsequently, several machine learning models were trained and evaluated, including Logistic Regression, Random Forest, XGBoost, and Neural Networks. The evaluation was performed using standard metrics such as accuracy, precision, recall, and F1-score. The results demonstrated that more advanced models, such as ensemble methods and neural networks, achieved exceptionally high predictive performance, outperforming Logistic Regression. Furthermore, feature engineering significantly improved the overall performance of the models. The analysis of feature importance revealed that academic performance is influenced not only by students’ grades but also by their level of engagement with the learning environment. The findings of this study can be utilized for the development of early warning systems and decision support tools in education. Overall, this thesis highlights the importance of machine learning and data analytics in the field of education, providing valuable insights for enhancing the learning experience and supporting student success."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη ακαδημαϊκής επίδοσης με συγκριτική αξιολόγηση μοντέλων μηχανικής μάθησης και τεχνικές feature engineering"]}]}],"canonical_facts":{"dc:creator":["ΓΚΙΟΛΑΙ ΛΟΥΪΖΑ","GJOLAJ LUIZA"],"dc:date":["2026"],"dc:description":["Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή τεχνικών μηχανικής μάθησης για την πρόβλεψη της ακαδημαϊκής επίδοσης φοιτητών, αξιοποιώντας δεδομένα από εκπαιδευτικά περιβάλλοντα. Στόχος της μελέτης είναι η ανάπτυξη μοντέλων πρόβλεψης που μπορούν να εντοπίσουν έγκαιρα φοιτητές με αυξημένη πιθανότητα αποτυχίας, συμβάλλοντας στη βελτίωση της εκπαιδευτικής διαδικασίας. Για τον σκοπό αυτό, πραγματοποιήθηκε εκτενής προεπεξεργασία των δεδομένων, συμπεριλαμβανομένου καθαρισμού, κανονικοποίησης και μετασχηματισμού μεταβλητών. Επιπλέον, εφαρμόστηκαν τεχνικές feature engineering, με τη δημιουργία νέων χαρακτηριστικών που αποτυπώνουν πιο σύνθετες σχέσεις μεταξύ των μεταβλητών, όπως αλληλεπιδράσεις και μη γραμμικοί μετασχηματισμοί. Στη συνέχεια, εκπαιδεύτηκαν και αξιολογήθηκαν διάφορα μοντέλα μηχανικής μάθησης, όπως Logistic Regression, Random Forest, XGBoost και Νευρωνικά Δίκτυα. Η αξιολόγηση πραγματοποιήθηκε με τη χρήση μετρικών όπως accuracy, precision, recall και F1-score. Τα αποτελέσματα έδειξαν ότι τα πιο σύνθετα μοντέλα, όπως τα ensemble μοντέλα και τα νευρωνικά δίκτυα, επιτυγχάνουν εξαιρετικά υψηλή ακρίβεια πρόβλεψης, υπερέχοντας της Logistic Regression. Επιπλέον, η διαδικασία feature engineering συνέβαλε σημαντικά στη βελτίωση της απόδοσης των μοντέλων. Η ανάλυση της σημαντικότητας χαρακτηριστικών ανέδειξε ότι η ακαδημαϊκή επίδοση σχετίζεται τόσο με τη βαθμολογία όσο και με τη συμμετοχή των φοιτητών στο εκπαιδευτικό περιβάλλον. Τα ευρήματα της μελέτης μπορούν να αξιοποιηθούν για την ανάπτυξη συστημάτων έγκαιρης πρόβλεψης και υποστήριξης φοιτητών. Συνολικά, η εργασία αναδεικνύει τη σημασία της μηχανικής μάθησης και της ανάλυσης δεδομένων στον τομέα της εκπαίδευσης, προσφέροντας χρήσιμα συμπεράσματα για τη βελτίωση της μαθησιακής διαδικασίας.","This thesis investigates the application of machine learning techniques for predicting students’ academic performance, utilizing data derived from educational environments. The main objective of the study is to develop predictive models capable of identifying students at risk of failure at an early stage, thereby contributing to the improvement of the educational process. To achieve this, extensive data preprocessing was conducted, including data cleaning, normalization, and transformation of variables. In addition, feature engineering techniques were applied, generating new features that capture complex relationships between variables, such as interaction terms and non-linear transformations. Subsequently, several machine learning models were trained and evaluated, including Logistic Regression, Random Forest, XGBoost, and Neural Networks. The evaluation was performed using standard metrics such as accuracy, precision, recall, and F1-score. The results demonstrated that more advanced models, such as ensemble methods and neural networks, achieved exceptionally high predictive performance, outperforming Logistic Regression. Furthermore, feature engineering significantly improved the overall performance of the models. The analysis of feature importance revealed that academic performance is influenced not only by students’ grades but also by their level of engagement with the learning environment. The findings of this study can be utilized for the development of early warning systems and decision support tools in education. Overall, this thesis highlights the importance of machine learning and data analytics in the field of education, providing valuable insights for enhancing the learning experience and supporting student success."],"dc:identifier":["uoadl:5453295","https://pergamos.lib.uoa.gr/uoa/dl/object/5453295"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Πρόβλεψη ακαδημαϊκής επίδοσης με συγκριτική αξιολόγηση μοντέλων μηχανικής μάθησης και τεχνικές feature engineering"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:55Z"}