Οι εφαρμογές των αλγορίθμων μηχανικής μάθησης στη βελτίωση των οικονομικών αποτελεσμάτων μιας εταιρείας
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...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2022
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/16443 |
id |
nemertes-10889-16443 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-164432022-09-06T05:13:58Z Οι εφαρμογές των αλγορίθμων μηχανικής μάθησης στη βελτίωση των οικονομικών αποτελεσμάτων μιας εταιρείας Applications of machine learning algorithms for improving business financial results Τσακτσίρας, Ιωάννης Tsaktsiras, Ioannis Εξόρυξη δεδομένων Μηχανική μάθηση Οικονομικά αποτελέσματα Κερδοφορία Δένδρα αποφάσεων Νευρωνικά δίκτυα Data mining Machine learning Financial results Profitability Decision trees Neural networks 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. The aim of this dissertation is to study to what extent the utilization of the data mining techniques and the Machine Learning algorithms improve the financial results of a company. First, the data mining method and the three main strategies used to execute it are described. The concept of Machine Learning is defined in Chapter 2, followed by a list of the three most common types of Machine Learning. The following is a description of how the three basic Machine Learning algorithms, Decision Trees, Nearest Neighbor Algorithms and Artificial Neural Networks, and the Apriori algorithm work. After the presentation of the aforementioned algorithms, Chapter 3 covers the recording of the basic financial data of a company, the preparation of basic financial statements from which data can be extracted and the idea of cost and profitability. Chapter 4 lists the current trends in the application of machine learning algorithms in the business world. This chapter provides extensive examples of the application of machine learning in key industries. In Chapter 5, two of the most common machine learning algorithms are applied in practice, the decision trees and the linear regression in real data concerning the production cost in combination with the volume of the produced product, in the first case and in the second case, real data from the human resources management of an existing company. Finally, Chapter 6 summarizes the primary results obtained from previous data analyzes for each research question, as well as summarizing some general conclusions about the Data Mining process as a whole. 2022-07-11T06:44:58Z 2022-07-11T06:44:58Z 2022-06-30 http://hdl.handle.net/10889/16443 gr application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Εξόρυξη δεδομένων Μηχανική μάθηση Οικονομικά αποτελέσματα Κερδοφορία Δένδρα αποφάσεων Νευρωνικά δίκτυα Data mining Machine learning Financial results Profitability Decision trees Neural networks |
spellingShingle |
Εξόρυξη δεδομένων Μηχανική μάθηση Οικονομικά αποτελέσματα Κερδοφορία Δένδρα αποφάσεων Νευρωνικά δίκτυα Data mining Machine learning Financial results Profitability Decision trees Neural networks Τσακτσίρας, Ιωάννης Οι εφαρμογές των αλγορίθμων μηχανικής μάθησης στη βελτίωση των οικονομικών αποτελεσμάτων μιας εταιρείας |
description |
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. |
author2 |
Tsaktsiras, Ioannis |
author_facet |
Tsaktsiras, Ioannis Τσακτσίρας, Ιωάννης |
author |
Τσακτσίρας, Ιωάννης |
author_sort |
Τσακτσίρας, Ιωάννης |
title |
Οι εφαρμογές των αλγορίθμων μηχανικής μάθησης στη βελτίωση των οικονομικών αποτελεσμάτων μιας εταιρείας |
title_short |
Οι εφαρμογές των αλγορίθμων μηχανικής μάθησης στη βελτίωση των οικονομικών αποτελεσμάτων μιας εταιρείας |
title_full |
Οι εφαρμογές των αλγορίθμων μηχανικής μάθησης στη βελτίωση των οικονομικών αποτελεσμάτων μιας εταιρείας |
title_fullStr |
Οι εφαρμογές των αλγορίθμων μηχανικής μάθησης στη βελτίωση των οικονομικών αποτελεσμάτων μιας εταιρείας |
title_full_unstemmed |
Οι εφαρμογές των αλγορίθμων μηχανικής μάθησης στη βελτίωση των οικονομικών αποτελεσμάτων μιας εταιρείας |
title_sort |
οι εφαρμογές των αλγορίθμων μηχανικής μάθησης στη βελτίωση των οικονομικών αποτελεσμάτων μιας εταιρείας |
publishDate |
2022 |
url |
http://hdl.handle.net/10889/16443 |
work_keys_str_mv |
AT tsaktsirasiōannēs oiepharmogestōnalgorithmōnmēchanikēsmathēsēsstēbeltiōsētōnoikonomikōnapotelesmatōnmiasetaireias AT tsaktsirasiōannēs applicationsofmachinelearningalgorithmsforimprovingbusinessfinancialresults |
_version_ |
1799945007293005824 |