Χρήση τεχνικών εξόρυξης δεδομένων στον αναλογισμό
| dc.contributor.advisor | Κούτρας, Μάρκος | |
| dc.contributor.author | Μακρής, Μιχάλης | |
| dc.date.accessioned | 2015-09-04T15:59:59Z | |
| dc.date.available | 2015-09-04T15:59:59Z | |
| dc.date.issued | 2015-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/7214 | |
| dc.description.abstract | Περίπου το 80% των δεδομένων που διακινείται καθημερινά στον κόσμο είναι αδόμητα. Τα σύγχρονα συστήματα υποστήριξης λήψης επιχειρηματικών αποφάσεων βασίζονται σε πληροφόρηση που προέρχεται κυρίως από δομημένα δεδομένα, αγνοώντας τα αδόμητα τα οποία όμως μπορούν να προσφέρουν σημαντική πληροφορία. Υπάρχει επομένως η ανάγκη νέων δυναμικών εργαλείων μετατροπής των αδόμητων δεδομένων σε δομημένα, τα οποία σε συνδυασμό με τα εξαρχής δομημένα δεδομένα να βοηθήσει τους καταναλωτές πληροφοριών να λαμβάνουν καλύτερες αποφάσεις. Αυτή την ανάγκη καλείται να καλύψει ένας νέος κλάδος της επιστήμης η εξόρυξη από κείμενα (text mining) που είναι συνδυασμός ετερόκλητων επιστημονικών πεδίων όπως της στατιστικής, της μηχανικής εκμάθησης, της θεωρίας της πληροφορίας και των υπολογιστικών διαδικασιών. Στην παρούσα εργασία εξετάζονται δύο εφαρμογές του text mining κυρίως στην περιοχή του ασφαλιστικού χώρου. Στην πρώτη εφαρμογή παρουσιάζεται αναλυτικά η ομαδοποίηση που οργανώνει τις αδόμητες πληροφορίες σε ομάδες βοηθώντας καθοριστικά στην ανάλυση τους και στην εξαγωγή χρήσιμων συμπερασμάτων ενώ στην δεύτερη χρησιμοποιούνται τεχνικές πρόβλεψης σε κείμενα όπως παραδείγματός χάριν αν ένα σχόλιο είναι αρνητικό ή θετικό ή αν μία ασφαλιστική δήλωση είναι απάτη ή όχι. Συγχρόνως παρουσιάζονται οι σημαντικότερες έννοιες και μέθοδοι που χρησιμοποιούνται κατά τη διάρκεια της ομαδοποίησης και πρόβλεψης. Σκοπός της διπλωματικής εργασίας είναι, εξηγώντας τις μεθόδους του text mining, να καταδείξει πόσο χρήσιμο εργαλείο είναι για κάθε ασφαλιστική επιχείρηση και με πόσο απλό και εύκολο τρόπο μπορεί να προβεί στην εξαγωγή σημαντικών συμπερασμάτων από αδόμητα και δύσκολα στη χρήση τους αρχεία. | el |
| dc.format.extent | 96 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject | Εξόρυξη δεδομένων | el |
| dc.subject | Ασφαλιστικές εταιρείες | el |
| dc.subject | Data mining | el |
| dc.subject | Mathematical statistics | el |
| dc.subject | Insurance companies | el |
| dc.title | Χρήση τεχνικών εξόρυξης δεδομένων στον αναλογισμό | el |
| dc.title.alternative | Data mining techniques in actuary and insurance | en |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.identifier.call | 006.3 ΜΑΚ | el |
| dc.description.abstractEN | Almost 80% of the data utilized on a daily basis all over the world are unstructured. Modern decision support systems are based on information extracted from structured data, thereof neglecting unstructured data that can also provide significant information. Therefore there is a need for new dynamic tools that will help to transform unstructured data into structured information which, combined with the information extracted from structured data will help information consumers make better decisions. A new field of science, named Text Mining promises to fill this gap. text mining is a combination of different sciences such as statistics, machine learning, information theory and computational procedures. In this thesis we examine two text mining applications which are of major inportance for the insurance sector. In the first text we illustrate how can be classified into groups based on text subjects or according to other attributes (common words, frequency of words etc.). This application is very useful for document analysis and useful information extraction. In the second we present how forecasting techniques are applied in text mining to predict, for example if a document contains positive or negative comments or if an insurance claim is fraud or not. At the same time we present the most important concepts and methods used by classification and prediction techniques in text mining. The aim of this thesis is to present how useful text mining tools can be to an insurance company and elucidate an easy and simple way to extract important information from unstructured or semi-structured documents. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές