Χρήση τεχνικών ομαδοποίησης στον επιχειρηματικό σχεδιασμό
| dc.contributor.advisor | Κούτρας, Μάρκος | |
| dc.contributor.author | Ρίνου, Χρυσούλα | |
| dc.date.accessioned | 2021-11-22T07:09:59Z | |
| dc.date.available | 2021-11-22T07:09:59Z | |
| dc.date.issued | 2021-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13860 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1283 | |
| dc.description.abstract | Ζούμε στην εποχή όπου τα δεδομένα μεγάλου όγκου (Big Data) υπάρχουν σε πολλούς τομείς, όπως και στον τομέα του επιχειρηματικού σχεδιασμού. Παράλληλα, το στρατηγικό πλαίσιο σε ένα επιχειρηματικό πλάνο είναι πολύ κρίσιμο για την επιτυχία του. Προς αυτή την κατεύθυνση, η Μηχανική Μάθηση (Machine Learning) μπορεί να συνεισφέρει στον αποδοτικότερο σχεδιασμό ενός επιχειρηματικού πλάνου. Μέσα από αλγορίθμους μηχανικής μάθησης μας επιτρέπεται η εξόρυξη γνώσης από δεδομένα, η οποία μας δίνει τη δυνατότητα για μια πιο ρεαλιστική απεικόνιση των δεδομένων που έχουμε. Ένας βασικός πυλώνας της Μηχανικής Μάθησης είναι η μη επιβλεπόμενη μάθηση, όπου εκεί κυριαρχούν οι αλγόριθμοι ομαδοποίησης δεδομένων. Σε περιπτώσεις που έχουμε δεδομένα χωρίς ετικέτα (label) ένας τέτοιος αλγόριθμος μπορεί να αποτυπώσει καλύτερα τη δομή των δεδομένων αυτών έτσι ώστε να βοηθήσει στον καλύτερο σχεδιασμό ενός επιχειρηματικού πλάνου. Στην παρούσα διπλωματική εργασία, γίνεται η μελέτη παραδοσιακών αλγορίθμων ομαδοποίησης και μια συγκριτική αξιολόγηση σε δεδομένα πραγματικού κόσμου που αφορούν προβλήματα επιχειρησιακού σχεδιασμού. Τα αποτελέσματα έδειξαν την υπεροχή των αλγορίθμων διαχωρισμού (partitioning) και αναδεικνύουν τα προβλήματα που προκύπτουν στην περίπτωση που εφαρμοσθεί ένας αλγόριθμος που δεν ταιριάζει σε συγκεκριμένο σύνολο δεδομένων και συγκεκριμένα χαρακτηριστικά. | el |
| dc.format.extent | 82 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Χρήση τεχνικών ομαδοποίησης στον επιχειρηματικό σχεδιασμό | el |
| dc.title.alternative | Application of cluster analysis techniques in business analytics | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | We are in the Big Data era which exists in many areas, as well as in the field of business planning. At the same time, the strategic framework in a business plan is very critical to its success. In this regard, Machine Learning can contribute to the more efficient design of a business plan. Through machine learning algorithms we can extract knowledge from data, allowing for a more realistic data analysis. A key pillar of Machine Learning is unsupervised learning, where data clustering algorithms predominate. In cases where we have data without a label (or class), clustering techniques can better capture the structure of this data offering a better business plan design. In this thesis, we compare traditional clustering algorithms in real world data related to business planning problems. The results showed the superiority of partitioning algorithms and highlight the limitations that arise when we apply the wrong algorithm to a case under study. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Ομαδοποίηση | el |
| dc.subject.keyword | Επιχειρηματικός σχεδιασμός | el |
| dc.subject.keyword | Clustering | el |
| dc.subject.keyword | Business analytics | el |
| dc.subject.keyword | K-means | el |
| dc.subject.keyword | DBSCAN | el |
| dc.date.defense | 2021-09-27 |
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:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα