| Περίληψη: | Στόχος της παρούσας διπλωματικής εργασίας είναι να μελετήσει το κατά πόσο
μπορεί να βελτιώσει τα οικονομικά αποτελέσματα μιας εταιρείας η αξιοποίηση των
τεχνικών Εξόρυξης Δεδομένων και των αλγορίθμων Μηχανικής Μάθησης. Αρχικά,
περιγράφεται η μέθοδος εξόρυξης δεδομένων και τρεις κύριες στρατηγικές που
χρησιμοποιούνται για την εκτέλεσή της.
Η έννοια της Μηχανικής Μάθησης ορίζεται στο Κεφάλαιο 2, ακολουθούμενη από
μια λίστα με τους τρεις πιο συνηθισμένους τύπους Μηχανικής Μάθησης. Ακολουθεί
μια περιγραφή του τρόπου με τον οποίο λειτουργούν οι τρεις βασικοί αλγόριθμοι
Μηχανικής Μάθησης, τα Δέντρα Αποφάσεων, οι Αλγόριθμοι του Πλησιέστερου
Γείτονα και τα Τεχνητά Νευρωνικά Δίκτυα, καθώς και ο αλγόριθμος Apriori. Μετά
την παρουσίαση των προαναφερθέντων αλγορίθμων, το Κεφάλαιο 3 καλύπτει την
καταγραφή των βασικών οικονομικών στοιχείων μιας εταιρείας, την προετοιμασία
βασικών οικονομικών καταστάσεων από τις οποίες μπορούν να εξαχθούν δεδομένα
και την ιδέα του κόστους και της κερδοφορίας.
Στο Κεφάλαιο 4, καταγράφονται οι σύγχρονες τάσεις στην εφαρμογή των
αλγορίθμων μηχανικής μάθησης στο επιχειρηματικό κόσμο. Στο κεφάλαιο αυτό
δίνονται εκτεταμένα παραδείγματα εφαρμογής της μηχανικής μάθησης στους
βασικότερους κλάδους παραγωγής.
Στο Κεφάλαιο 5, εφαρμόζονται στην πράξη δύο από τους πιο διαδεδομένους
αλγορίθμους μηχανικής μάθησης, τα δέντρα αποφάσεων και η γραμμική
παλινδρόμηση σε πραγματικά δεδομένα που αφορούν το κόστος παραγωγής σε
συνδυασμό με τον όγκο του παραγόμενου προϊόντος, στην πρώτη περίπτωση και
στην δεύτερη περίπτωση, πραγματικά δεδομένα από τη διεύθυνση ανθρώπινου
δυναμικού μιας υπαρκτής επιχείρησης.
Τέλος, το Κεφάλαιο 6 συνοψίζει τα πρωταρχικά αποτελέσματα που προκύπτουν
από τις προηγούμενες αναλύσεις δεδομένων για κάθε ερευνητικό ζήτημα και
συνοψίζει ορισμένα γενικά συμπεράσματα σχετικά με τη διαδικασία Εξόρυξης
Δεδομένων στο σύνολό της.
|
|---|
