| dc.contributor.advisor | Χρυσαφιάδη, Κωνσταντίνα | |
| dc.contributor.author | Κουτσουρίδης, Ναπολέων | |
| dc.date.accessioned | 2024-10-28T06:23:31Z | |
| dc.date.available | 2024-10-28T06:23:31Z | |
| dc.date.issued | 2024-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16914 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4336 | |
| dc.description.abstract | Η μελέτη εξετάζει τη χρήση των αλγορίθμων ομαδοποίησης για την ενίσχυση των εξατομικευμένων υπηρεσιών, εστιάζοντας στη σημασία τους για την ανάλυση δεδομένων και την βελτίωση της εμπειρίας των χρηστών. Οι αλγόριθμοι ομαδοποίησης, όπως οι K-means, η ιεραρχική ομαδοποίηση και ο DBSCAN, αναλύονται αναλυτικά για να κατανοηθεί η αποδοτικότητά τους και η εφαρμογή τους σε διάφορους τομείς. Η μελέτη περιλαμβάνει τη συλλογή και ανάλυση δεδομένων, την εφαρμογή των αλγορίθμων και την αξιολόγηση των αποτελεσμάτων σε πραγματικές συνθήκες εξατομικευμένων υπηρεσιών.
Αναλύοντας τα αποτελέσματα, η μελέτη εντοπίζει ποιοι αλγόριθμοι αποδεικνύονται πιο αποτελεσματικοί σε συγκεκριμένα σενάρια και πώς η εφαρμογή τους επηρεάζει την ποιότητα των εξατομικευμένων υπηρεσιών. Οι συγκρίσεις μεταξύ των διαφορετικών αλγορίθμων αναδεικνύουν τα πλεονεκτήματα και τις αδυναμίες τους, παρέχοντας πολύτιμες πληροφορίες για τη βελτίωση της εφαρμογής τους σε διάφορες επιχειρηματικές και τεχνολογικές περιοχές.
Στη συζήτηση, επισημαίνονται τα κύρια ευρήματα της μελέτης και οι επιπτώσεις τους για την θεωρία και την πρακτική. Εξετάζονται οι περιορισμοί της έρευνας και προτείνονται κατευθύνσεις για μελλοντική έρευνα, με στόχο την περαιτέρω κατανόηση και βελτίωση της χρήσης των αλγορίθμων ομαδοποίησης. Οι προτάσεις που προκύπτουν παρέχουν χρήσιμες κατευθύνσεις για επαγγελματίες και ερευνητές που ασχολούνται με την ανάλυση δεδομένων και την ανάπτυξη εξατομικευμένων υπηρεσιών.
Η επιστημονική περιοχή της μελέτης είναι η "Ανάλυση Δεδομένων και Μηχανική Μάθηση", με ειδικότερη εστίαση στη χρήση αλγορίθμων ομαδοποίησης για την ανάπτυξη εξατομικευμένων υπηρεσιών. | el |
| dc.format.extent | 64 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Τεχνικές ομαδοποίησης και η χρήση τους σε λογισμικά με εξατομικευμένες υπηρεσίες | el |
| dc.title.alternative | Clustering algorithms and their implementation in personalized services | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The study examines the use of clustering algorithms to enhance personalized services, focusing on their importance for data analysis and improving user experience. Clustering algorithms, such as K-means, hierarchical clustering and DBSCAN, are analyzed in detail to understand their efficiency and their application in different domains. The study includes data collection and analysis, implementation of the algorithms and evaluation of the results in real-life personalized service settings.
By analyzing the results, the study identifies which algorithms prove to be most effective in specific scenarios and how their implementation affects the quality of personalized services. Comparisons between different algorithms highlight their strengths and weaknesses, providing valuable insights for improving their application in different business and technological areas.
In the discussion, the main findings of the study and their implications for theory and practice are highlighted. The limitations of the research are discussed and directions for future research are suggested to further understand and improve the use of clustering algorithms. The resulting recommendations provide useful guidance for practitioners and researchers involved in data analysis and the development of personalized services.
The scientific area of study is "Data Analysis and Machine Learning", with a special focus on the use of clustering algorithms for the development of personalized services. | el |
| dc.subject.keyword | Αλγόριθμοι ομαδοποίησης | el |
| dc.subject.keyword | Εξατομικευμένες υπηρεσίες | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Ανάλυση δεδομένων | el |
| dc.subject.keyword | Εφαρμογές ομαδοποίησης | el |
| dc.date.defense | 2024-09 | |
