Please use this identifier to cite or link to this item:
Title: Αξιολόγηση ιδιωτικών επενδύσεων Ν.3299/04 με αλγορίθμους μηχανικής μάθησης
Other Titles: Evaluation of investments in the privet sector according to L.3299/04 with machine learning algorithms
Authors: Παπακωνσταντίνου, Αναστασία
Keywords: Μηχανική μάθηση
Αξιολόγηση ιδιωτικών επενδύσεων
Αναπτυξιακός νόμος 3299/04
Keywords (translated): Machine learning
Evaluation of investments in the private sector
Development Law 3299/04
Abstract: Στην παρούσα διπλωματική μελετάται το πρόβλημα της αξιολόγησης ιδιωτικών επενδύσεων της Περιφέρειας Δυτικής Ελλάδας, οι οποίες έχουν υπαχθεί στον Αναπτυξιακό Νόμο 3299/04, με την χρήση αλγορίθμων μηχανικής μάθησης. Ο στόχος είναι δημιουργία ενός μοντέλου αξιολόγησης επενδύσεων το οποίο θα έχει ενσωματώσει την γνώση που υπάρχει στην αρμόδια υπηρεσία που χειρίζεται τον Αναπτυξιακό Νόμο ( Διεύθυνση Αναπτυξιακού Προγραμματισμού της Περιφέρειας Δυτικής Ελλάδας - ΔΙ.Α.Π. Π.Δ.Ε.) ώστε να αποτελέσει βοηθητικό εργαλείο αξιολόγησης. Τα σύνολα δεδομένων που χρησιμοποιήθηκαν για να εκπαιδεύσουν τους αλγόριθμούς κατηγοριοποίησης, δημιουργήθηκαν από τα στοιχεία των επενδύσεων που υπάρχουν στα αρχεία της ΔΙ.Α.Π., μετά από σχετική άδεια. Στο πειραματικό μέρος της εργασίας εξετάστηκαν διάφοροι αλγόριθμοι κατηγοριοποίησης όπως οι : Naive Bayes, Δέντρα Απόφασης ( Decision Trees ), Νευρωνικά Δίκτυα (Neural Networks), Λογιστική Παλινδρόμηση (Logistic Regression) και Σύνθετοι Κατηγοριοποιητές (Ensemble Classifiers) και αξιολογήθηκαν ως προς την αποδοτικότητά τους.
Abstract (translated): The evaluation of investments in the private sector according to Development Law 3299/04 in the Region of Western Greece is the problem being researched in the present thesis, using machine learning algorithms. Our goal is the creation of a model of assessing investments, which will integrate all of the knowledge that the office which handles the Development Law holds (Directorate of Development Planning of Region of Western Greece – DDP RWG), so that it could be used as an auxiliary evaluation tool. The data sets used to train the classification algorithms were created using the investments’ archives of DDP, after the necessary permission. Several classification algorithms were analysed in the experimental part of the thesis such as: Naïve Bayes, Decision Trees, Neural Networks, Logistic Regression and Ensemble Classifiers, and were evaluated according to their efficiency.
Appears in Collections:Τμήμα Μαθηματικών (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_PapakonstantinouA(math).pdf2.23 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.