| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Χίνης, Γεώργιος | |
| dc.date.accessioned | 2021-04-02T08:10:42Z | |
| dc.date.available | 2021-04-02T08:10:42Z | |
| dc.date.issued | 2021-01 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13370 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/793 | |
| dc.description.abstract | Με βάση την εξέλιξη της τεχνολογίας τις τελευταίες δεκαετίες σε ότι αφορά την μηχανική μάθηση, δίνεται η ευκαιρία στα χρηματοπιστωτικά ιδρύματα να την χρησιμοποιήσουν προς όφελός τους. Ένα σύγχρονο και πλέον διαδεδομένο πρόβλημα στις επιχειρήσεις αυτού του είδους είναι ο πιστωτικός κίνδυνος. Η επιστήμη των υπολογιστών λοιπόν καλείται να δώσει λύση σε ένα πρόβλημα το οποίο φαινόταν αδύνατον να λυθεί. Με την εξόρυξη των δεδομένων που ο όγκος τους φαντάζει απαγορευτικός για να τον διαχειριστεί ο άνθρωπος, αλλά και με ειδικά μοντέλα μηχανικής μάθησης δόθηκε η δυνατότητα της αύξησης της πιθανότητας να αποφευχθεί ο πιστωτικός κίνδυνος. Στην συγκεκριμένη εργασία λοιπόν αναλύονται όλες αυτές οι έννοιες και δίνεται λύση σε ένα ειδικό πρόβλημα μιας εταιρείας που χορηγεί δάνεια και προσπαθεί να επιτύχει όσον το δυνατόν πιο εύκολη και άμεση επιστροφή των κεφαλαίων. | el |
| dc.format.extent | 53 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Μεθοδολογίες μηχανικής μάθησης για την πρόγνωση πιστωτικού κινδύνου | el |
| dc.title.alternative | Machine learning methodologies for credit risk prediction | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Based on the evolution of technology in recent decades in terms of machine learning, financial institutions are given the opportunity to use it to their advantage. A modern and widespread problem in this type of business is credit risk. Computer science is therefore called upon to provide a solution to a problem that seemed impossible to solve. With the extraction of data whose volume seems prohibitive for human management, but also with special models of machine learning, it was possible to increase the probability of avoiding credit risk. In this paper, therefore, all these concepts are analyzed and a special problem is solved for a company that grants loans and tries to achieve as easy and immediate return of funds as possible. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Πρόγνωση | el |
| dc.subject.keyword | Πιστωτικός κίνδυνος | el |
| dc.date.defense | 2021-01-13 | |
