Τεχνικές ομαδοποίησης μικτών δεδομένων

Αντωνοπούλου, Κωνσταντίνα

dc.contributor.advisor	Κούτρας, Μάρκος
dc.contributor.author	Αντωνοπούλου, Κωνσταντίνα
dc.date.accessioned	2023-09-27T05:49:29Z
dc.date.available	2023-09-27T05:49:29Z
dc.date.issued	2023-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/15741
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/3163
dc.description.abstract	Στη Στατιστική, οι τεχνικές ομαδοποίησης (Cluster Analysis) αποσκοπούν στην δημιουργία ομοιογενών ομάδων, ενώ παράλληλα κάθε ομάδα (ή συστάδα) να είναι όσο το δυνατόν πιο διαφορετική από μία άλλη. Κατά συνέπεια, εξετάζοντας ξεχωριστά κάθε ομάδα μπορούμε να επιτύχουμε πιο εύκολη και αποδοτικότερη επεξεργασία για τα δεδομένα που διαθέτουμε. Σε πολλούς χώρους όπως η υγεία, τα χρηματοοικονομικά, το μάρκετινγκ κ.ά, εμφανίζεται η ανάγκη μελέτης πολυδιάστατων μικτών δεδομένων, δηλαδή δεδομένων που περιλαμβάνουν τόσο αριθμητικά όσο και κατηγορικά χαρακτηριστικά. Συνήθως, η εφαρμογή τεχνικών ομαδοποίησης σε μικτά σύνολα δεδομένα, γίνεται με σκοπό την εύρεση δομών και ομαδοποίηση παρόμοιων αντικειμένων για περαιτέρω ανάλυση. Σκοπός της συγκεκριμένης διπλωματικής εργασίας είναι να παρουσιαστούν και να εφαρμοστούν τεχνικές ανάλυσης μικτών δεδομένων σε προσομοιωμένα δεδομένα και παράλληλα να παρουσιαστούν αναλύσεις σε πραγματικά δεδομένα. Η αξιολόγηση των τεχνικών αυτών θα γίνει με βάση τα αποτελέσματα των τεχνικών που θα εφαρμοστούν στα προσομοιωμένα δεδομένα, αλλά και μέσω βιβλιογραφικής ανασκόπησης των συγκεκριμένων τεχνικών σε πραγματικά δεδομένα.	el
dc.format.extent	121	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	Τεχνικές ομαδοποίησης μικτών δεδομένων	el
dc.title.alternative	Mixed data clustering techniques	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	In Statistics, clustering analysis techniques aim to create homogeneous groups, while at the same time ensuring that groups are as different as possible from each other. Consequently, by examining each group separately we can achieve easier and more efficient processing for the available data. Mixed data sets, i.e., data that include both numerical and categorical characteristics, arise in various fields such as healthcare, finance, marketing, and others. Typically, the application of cluster Analysis techniques to mixed data sets is exploited in order to identify structures and group similar objects for further analysis. The aim of this thesis is to present and apply mixed data clustering techniques to simulated data and perform statistical analyses on real data. An evaluation of these techniques will also be performed using the results obtained from the applied techniques on simulated data, as well as through a bibliographic review of these techniques on real data.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Clustering	el
dc.subject.keyword	Mixed data	el
dc.subject.keyword	Μικτά δεδομένα	el
dc.subject.keyword	Ανάλυση σε ομάδες	el
dc.subject.keyword	k-means	el
dc.subject.keyword	KAMILA	el
dc.subject.keyword	DBSCAN	el
dc.subject.keyword	Agglomerative hierarchical clustering	el
dc.date.defense	2023-09-15

Αρχεία σε αυτό το τεκμήριο

Name:: Αντωνοπούλου_ΜΕΣ20015.pdf
Μέγεθος:: 2.157Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα