Ελαχιστοποίηση πιστωτικού κινδύνου με χρήση αλγορίθμων μηχανικής μάθησης
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Φραγκάκης, Γεώργιος | |
| dc.date.accessioned | 2022-12-20T10:33:05Z | |
| dc.date.available | 2022-12-20T10:33:05Z | |
| dc.date.issued | 2022-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14927 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2349 | |
| dc.description.abstract | Τα επονομαζόμενα πιστωτικά χαρακτηριστικά, δηλαδή τα χαρακτηριστικά βάσει των οποίων κάποιος αξιολογείται για τον αν είναι φερέγγυος ως προς την πίστωση του δανείου ή όχι, αποτελούν τον σημαντικό μέρος της τραπεζικής καθημερινότητας, αφού όλο και περισσότεροι άνθρωποι επιθυμούν την απόκτηση καταναλωτικών δανείων. Φυσικά στην εποχή μας τα χαρακτηριστικά, τα οποία αξιολογούν κάποιον για την πιστωτική του ικανότητα, είναι τόσα πολλά όπου καθιστούν την ανάλυση από τον άνθρωπο έως και ακατόρθωτη. Στην παρακάτω διπλωματική εργασία θα δούμε αν οι αλγόριθμοι μηχανικής μάθησης μπορούν να λάβουν υπ’ όψη τους, τους αριθμούς αλλά και τις λέξεις, που διατίθενται σαν χαρακτηριστικά πίστωσης και να αποφανθούν αν κάποιος θα αποπληρώσει το δάνειό του ή εάν ο χρηματοπιστωτικός οργανισμός διατρέχει κίνδυνο ζημίας. | el |
| dc.format.extent | 61 | 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 | Ελαχιστοποίηση πιστωτικού κινδύνου με χρήση αλγορίθμων μηχανικής μάθησης | el |
| dc.title.alternative | Minimization of credit risk with the use of machine learning algorithms | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The so-called credit features, that is the features based on which someone can be evaluated as to whether one is creditworthy for the loan repayment or not, conduct a very important part of the banking everyday routine since more and more people wish to obtain customer loans. Of course, now a days, the features based on which one can be evaluated for their creditworthiness are so many that consists human analysis even infeasible. In the following thesis we will see if the machine learning algorithms can take into consideration, the numbers as well as the words, that are available as credit features and decide whether the loan receiver will repay the loan or if the financial institute is under the risk of loss. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Πιστωτικός κίνδυνος | el |
| dc.date.defense | 2022-10-11 |
Files in this item
This item appears in the following Collection(s)
-
Τμήμα Πληροφορικής
Department of Informatics
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα