Πρόβλεψη επιτυχίας προώθησης τραπεζικών προϊόντων με μεθόδους μηχανικής μάθησης

Μπότσιου, Χριστίνα; Botsiou, Christina

dc.contributor.author	Μπότσιου, Χριστίνα	el
dc.contributor.author	Botsiou, Christina	en
dc.date.accessioned	2021-09-08T10:07:55Z
dc.date.available	2021-09-08T10:07:55Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53822
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21520
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.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Ταξινόμηση	el
dc.subject	Επιστήμη υπολογιστών	el
dc.subject	Machine learning	en
dc.subject	Επιστήμη δεδομένων	el
dc.subject	Artificial intelligence	en
dc.subject	Informatics	en
dc.subject	Neural network	en
dc.title	Πρόβλεψη επιτυχίας προώθησης τραπεζικών προϊόντων με μεθόδους μηχανικής μάθησης	el
dc.title	Predict the success of Bank Telemarketing using Machine Learning Methods	en
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-07
heal.abstract	Η παρούσα διπλωματική εργασία έχει ως αντικείμενο ένα πρόβλημα ταξινόμησης και παρουσιάζονται μέθοδοι μηχανικής μάθησης που επιλύουν το πρόβλημα. Κατασκευάστηκαν γραμμικά και μη γραμμικά μοντέλα με σκοπό την πρόβλεψη για το αν ένας πελάτης ενός πορτογαλικού τραπεζικού ιδρύματος θα ανοίξει προθεσμιακή κατάθεση ή όχι. Χρησιμοποιήθηκαν μέθοδοι ενδυνάμωσης, νευρωνικά δίκτυα και linear discriminant analysis. Το σύνολο δεδομένων προς επεξεργασία αποτελείται από χαρακτηριστικά των πελατών, όπως ηλικία φύλο εκπαίδευση, αλλά και οικονομικούς δείκτες. Για την επεξεργασία των δεδομένων και την εφαρμογή των μεθόδων χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python. Αρχικά πραγματοποιήθηκε η επεξεργασία των δεδομένων για να είναι σε κατάλληλη μορφή και στη συνέχεια με τις αντίστοιχες βιβλιοθήκες που παρέχει η Python, έγινε υλοποίηση των μεθόδων.	el
heal.abstract	The present dissertation deals with a classification problem and presents machine learning methods that solve the problem. Linear and non-linear models were constructed to predict whether a customer of a Portuguese banking institution would open a time deposit or not. Boosting trees, neural networks and linear discriminant analysis were used in order to accomplish this task. The dataset consists of customer characteristics such as age, sex, education, but also financial indicators. Python (programming language) was used in order to to process the data and apply the methods. Initially the data was processed to be in a suitable format and then with the corresponding libraries provided by Python, the methods were implemented.	en
heal.advisorName	Κουσουρής, Κωνσταντίνος	el
heal.committeeMemberName	Τσιπολίτης, Γεώργιος	el
heal.committeeMemberName	Τζαμαριουδάκη, Αικατερίνη	el
heal.committeeMemberName	Κουσουρής, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Φυσικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	101 σ.	el
heal.fullTextAvailability	false