Προσέγγιση επιχειρηματικών λύσεων με χρήση διαφορετικών αλγορίθμων μηχανικής μάθησης σε μεγάλα σύνολα δεδομένων
Στην επόμενη δεκαετία θα δουμε μια τεράστια αύξηση της παραγωγικότητας των επιχειρήσεων καθώς οι εταιρείες αυτοματοποιούν εργασίες που είναι σημαντικές, αλλά χρονοβόρες για τον άνθρωπο. Παραδείγματα τέτοιων εργασιών περιλαμβάνουν την έγκριση παραγγελιών αγοράς, την αξιολόγηση των μη σταθερών πελατών...
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | Greek |
| Published: |
2021
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/10889/15046 |
| id |
nemertes-10889-15046 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-150462022-09-05T05:37:49Z Προσέγγιση επιχειρηματικών λύσεων με χρήση διαφορετικών αλγορίθμων μηχανικής μάθησης σε μεγάλα σύνολα δεδομένων Approaching business solutions using different machine learning algorithms on big data sets Μαγεράκη, Δήμητρα Mageraki, Dimitra Μηχανική μάθηση Ανάλυση δεδομένων Επιχειρηματικές λύσεις Machine learning Business solutions Data analysis Big data Στην επόμενη δεκαετία θα δουμε μια τεράστια αύξηση της παραγωγικότητας των επιχειρήσεων καθώς οι εταιρείες αυτοματοποιούν εργασίες που είναι σημαντικές, αλλά χρονοβόρες για τον άνθρωπο. Παραδείγματα τέτοιων εργασιών περιλαμβάνουν την έγκριση παραγγελιών αγοράς, την αξιολόγηση των μη σταθερών πελατών, τον εντοπισμό αιτημάτων υποστήριξης που πρέπει να εξεταστούν άμεσα, τον έλεγχο τιμολογίων από προμηθευτές και την πρόβλεψη λειτουργικών απαιτήσεων, όπως η κατανάλωση ενέργειας. Η παρούσα διπλωματική εργασία εξετάζει γιατί υπάρχει αυτή η τάση και τον ρόλο της μηχανικής μάθησης στη δημιουργία του μεγάλου αυτού κύματος. Κατά κύριο λόγο, παρουσιάζεται η εφαρμογή αλγορίθμων μηχανικής μάθησης σε διαφορετικά επιχειρηματικά σενάρια χρησιμοποιώντας τη γλώσσα προγραμματισμού Python, η ερμηνεία των αποτελεσμάτων κάθε αλγορίθμου και η σύγκριση μεταξύ τους για την επιλογή του βέλτιστου. Επίσης, τα αποτελέσματα θα οπτικοποιηθούν μέσω γραφημάτων στην Python, όπως γραφήματα διασποράς και παλινδρόμησης, τα οποία θα είναι χρήσιμα στην ανάλυση. Το ζήτημα αυτό καθίσταται επίκαιρο καθώς οι εταιρείες που δεν είναι σε θέση να προσαρμοστούν και να ανταπεξέλθουν στις νέες απαιτήσεις της αγοράς θα βρεθούν γρήγορα ξεπερασμένες από τους ανταγωνιστές τους. The coming decade will see a massive surge in business productivity as companies automate tasks that are important but time consuming for people to do. Examples of such tasks include approving purchase orders, evaluating which customers are at risk of churning, identifying support requests that should be escalated immediately, auditing invoices from suppliers, and forecasting operational trends, such as power consumption. This thesis looks at why this trend is occurring and the role of machine learning in creating the surge. In the main, presents the implementation of machine learning algorithms in different business scenarios using Python programming language , the interpretation of the results of each algorithm and the comparison of them with each other to choose the optimum one. Also the results will be visualized through graphs in Python, such as scattered and regression graphs, that will be useful tools for the analysis. This is an issue that concerns us because the companies that are not able to accelerate to catch this surge will quickly find themselves outdistanced by their competitors. 2021-07-19T06:51:38Z 2021-07-19T06:51:38Z 2021-07-16 http://hdl.handle.net/10889/15046 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Ανάλυση δεδομένων Επιχειρηματικές λύσεις Machine learning Business solutions Data analysis Big data |
| spellingShingle |
Μηχανική μάθηση Ανάλυση δεδομένων Επιχειρηματικές λύσεις Machine learning Business solutions Data analysis Big data Μαγεράκη, Δήμητρα Προσέγγιση επιχειρηματικών λύσεων με χρήση διαφορετικών αλγορίθμων μηχανικής μάθησης σε μεγάλα σύνολα δεδομένων |
| description |
Στην επόμενη δεκαετία θα δουμε μια τεράστια αύξηση της παραγωγικότητας των επιχειρήσεων καθώς οι εταιρείες αυτοματοποιούν εργασίες που είναι σημαντικές, αλλά χρονοβόρες για τον άνθρωπο. Παραδείγματα τέτοιων εργασιών περιλαμβάνουν την έγκριση παραγγελιών αγοράς, την αξιολόγηση των μη σταθερών πελατών, τον εντοπισμό αιτημάτων υποστήριξης που πρέπει να εξεταστούν άμεσα, τον έλεγχο τιμολογίων από προμηθευτές και την πρόβλεψη λειτουργικών απαιτήσεων, όπως η κατανάλωση ενέργειας. Η παρούσα διπλωματική εργασία εξετάζει γιατί υπάρχει αυτή η τάση και τον ρόλο της μηχανικής μάθησης στη δημιουργία του μεγάλου αυτού κύματος. Κατά κύριο λόγο, παρουσιάζεται η εφαρμογή αλγορίθμων μηχανικής μάθησης σε διαφορετικά επιχειρηματικά σενάρια χρησιμοποιώντας τη γλώσσα προγραμματισμού Python, η ερμηνεία των αποτελεσμάτων κάθε αλγορίθμου και η σύγκριση μεταξύ τους για την επιλογή του βέλτιστου. Επίσης, τα αποτελέσματα θα οπτικοποιηθούν μέσω γραφημάτων στην Python, όπως γραφήματα διασποράς και παλινδρόμησης, τα οποία θα είναι χρήσιμα στην ανάλυση. Το ζήτημα αυτό καθίσταται επίκαιρο καθώς οι εταιρείες που δεν είναι σε θέση να προσαρμοστούν και να ανταπεξέλθουν στις νέες απαιτήσεις της αγοράς θα βρεθούν γρήγορα ξεπερασμένες από τους ανταγωνιστές τους. |
| author2 |
Mageraki, Dimitra |
| author_facet |
Mageraki, Dimitra Μαγεράκη, Δήμητρα |
| author |
Μαγεράκη, Δήμητρα |
| author_sort |
Μαγεράκη, Δήμητρα |
| title |
Προσέγγιση επιχειρηματικών λύσεων με χρήση διαφορετικών αλγορίθμων μηχανικής μάθησης σε μεγάλα σύνολα δεδομένων |
| title_short |
Προσέγγιση επιχειρηματικών λύσεων με χρήση διαφορετικών αλγορίθμων μηχανικής μάθησης σε μεγάλα σύνολα δεδομένων |
| title_full |
Προσέγγιση επιχειρηματικών λύσεων με χρήση διαφορετικών αλγορίθμων μηχανικής μάθησης σε μεγάλα σύνολα δεδομένων |
| title_fullStr |
Προσέγγιση επιχειρηματικών λύσεων με χρήση διαφορετικών αλγορίθμων μηχανικής μάθησης σε μεγάλα σύνολα δεδομένων |
| title_full_unstemmed |
Προσέγγιση επιχειρηματικών λύσεων με χρήση διαφορετικών αλγορίθμων μηχανικής μάθησης σε μεγάλα σύνολα δεδομένων |
| title_sort |
προσέγγιση επιχειρηματικών λύσεων με χρήση διαφορετικών αλγορίθμων μηχανικής μάθησης σε μεγάλα σύνολα δεδομένων |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15046 |
| work_keys_str_mv |
AT magerakēdēmētra prosengisēepicheirēmatikōnlyseōnmechrēsēdiaphoretikōnalgorithmōnmēchanikēsmathēsēssemegalasynoladedomenōn AT magerakēdēmētra approachingbusinesssolutionsusingdifferentmachinelearningalgorithmsonbigdatasets |
| _version_ |
1771297153370554368 |
