Search

Η ταχεία εξέλιξη της τεχνολογίας, το ανταγωνιστικό περιβάλλον και ο τεράστιος όγκος δεδομένων που είναι διαθέσιμα στην σημερινή εποχή, λαμβάνουν υπόψη την επείγουσα ανάγκη των εταιρειών να μεταβούν σε μια νέα ψηφιακή πραγματικότητα. Η χρήση δεδομένων για την αυτοματοποίηση των διαδικασιών και των αποφάσεων μέσω της χρήσης νέων μεθόδων όπως η τεχνητή νοημοσύνη και η μηχανική μάθηση είναι κύριος στόχος των οργανισμών. Στα πρώτα βήματα της, η τεχνητή νοημοσύνη, αν και προκάλεσε ενθουσιασμό και ενδιαφέρον, δεν μπόρεσε να εφαρμοστεί με την αναμενόμενη επιτυχία. Πρόσφατες τεχνολογικές εξελίξεις και ανακαλύψεις κατέστησαν τις εφαρμογές της Τεχνητής Νοημοσύνης εμπορικά βιώσιμες. Η Τεχνητή Νοημοσύνη καθίσταται μια από τις πιο δημοφιλείς τεχνολογίες η οποία πρόκειται να μετασχηματίσει τον τραπεζικό κλάδο, καθώς οι εφαρμογές της αποδεικνύονται βιώσιμες και η αποδοχή τους από τους πελάτες ικανοποιητική. Στον τραπεζικό κλάδο η Τεχνητή Νοημοσύνη εφαρμόζεται, μεταξύ άλλων, στην εξυπηρέτηση πελατών, στην ανίχνευση απάτης και ξεπλύματος μαύρου χρήματος, στην εφαρμογή κανονιστικής συμμόρφωσης, στην ανάλυση και την αξιολόγηση του πιστωτικού κινδύνου. Στην παρούσα διπλωματική εργασία αναπτύχθηκαν τρία μοντέλα εποπτευόμενης μηχανικής μάθησης, με τα οποία γίνεται η ταξινόμηση των πελατών μίας τράπεζας σε «καλούς» ή «κακούς» με βάση την πιθανότητα αθέτησης των υποχρεώσεών τους. Οι αλγόριθμοι που χρησιμοποιήθηκαν είναι οι Random Forest, KNN και Decision Trees., The rapid development of technology, the competitive environment and the huge amount of data available today, take into account the urgent need of companies to move to a new digital reality. The use of data to automate processes and decisions through the use of new methods such as artificial intelligence and machine learning is a major goal of organizations. In its first steps, Artificial Intelligence, although it aroused excitement and interest, could not be implemented with the expected success. Recent technological developments and discoveries have made Artificial Intelligence applications commercially viable. Artificial Intelligence is becoming one of the most popular technologies that is going to transform the banking industry, as its applications prove to be viable and their acceptance by customers satisfactory. In the banking industry, Artificial Intelligence is applied, among other things, to customer service, fraud detection and money laundering, regulatory compliance, credit risk analysis and assessment. In this dissertation, three models of supervised machine learning were developed, which classify the customers of a bank into ”good” or ”bad” based on the possibility of default. The algorithms used are Random Forest,KNN and Decision Trees.

Στην εποχή της ραγδαίας μετάδοσης της πληροφορίας και της συνεχούς εξέλιξης των μεθόδων συλλογής και ανάλυσης δεδομένων αθλητών, η παγκόσμια βιομηχανία του ποδοσφαίρου δε θα μπορούσε να μείνει αμέτοχη. Υπέρογκα χρηματικά ποσά διατίθενται σε αναλύσεις για κατάλληλο σχηματισμό ομάδων, και σχεδιασμό παιχνιδιών. Μεγάλα χρηματικά ποσά επενδύονται στην εξόρυξη γνώσης από αθλητικά δεδομένα, με σκοπό την αύξηση κερδών και θεαματικότητας. Οι μέθοδοι αξιολόγησης παικτών είναι ένας τομέας ανάλυσης που βοηθά στη χάραξη στρατηγικών και στη διαμόρφωση ισχυρών ποδοσφαιρικών ομάδων. Στη μελέτη αυτή εφαρμόσαμε ένα καινοτόμο πλαίσιο αξιολόγησης και βαθμολογικής κατάταξης παικτών ποδοσφαίρου, το οποίο θεμελιώνεται σε μεθόδους μηχανικής μάθησης, και τροφοδοτείται με έναν συγκεκριμένο τύπο δεδομένων, τα λεγόμενα soccer-logs. Τα αποτελέσματα των αλγορίθμων έδειξαν ότι το πλαίσιο αυτό αποδίδει καλύτερα σε μεγάλου όγκου δεδομένα τέτοιας μορφής., In the era of rapid information transfer and the continuous development of sports data collection and analytics methods, the global soccer industry could not be uninvolved. Exorbitant amounts of money are invested in the proper team formation and game planning analysis. Considerable amounts of money are invested in sports data mining, with the intention of profit and ratings increase. Football players evaluation is an analysis field that helps in strategic planning and constructing powerful teams. In this study we implement an innovative framework of rating and ranking football players which is based on machine learning algorithms and accepts a specific data type as input, the so-called soccer-logs. The results showed that this framework performs better on big data of this type.