Please use this identifier to cite or link to this item:
Title: Συγκριτική θεώρηση τεχνικών μηχανικής μάθησης μέσω της εφαρμογής τους σε πραγματικά δεδομένα για την πρόβλεψη αξιόπιστων πελατών στον τραπεζικό κλάδο χορηγήσεων στεγαστικών δανείων
Other Titles: A comparative consideration of machine learning techniques through their application to real data for the prediction of reliable customers in residential loans sector
Authors: Δημητρόπουλος, Γεώργιος
Keywords: Μηχανική μάθηση
Εξόρυξη δεδομένων
Τραπεζικός τομέας
Στεγαστικά δάνεια
Keywords (translated): Machine learning
Data mining
Banking sector
Residential loan
Abstract: Η μηχανική μάθηση (Machine Learning) και οι αλγόριθμοί της, όπως και η επιστήμη των υπολογιστών, αποτελούν τομείς ανάπτυξης στους οποίους έχουν επικεντρωθεί οι επιστήμονες και παρουσιάζουν συνεχή πρόοδο. Κύριος στόχος των προσπαθειών αυτών είναι η διευκόλυνση διαφόρων διαδικασιών στη καθημερινότητα των εργαζομένων με τη χρήση νέων εργαλείων, αλλά και γενικότερα των ανθρώπων, μέσα από τη δημιουργία διαφόρων προγραμμάτων και εφαρμογών λογισμικού. Ο τομέας που παρουσιάζει ιδιαίτερη άνθιση τα τελευταία χρόνια είναι η εξόρυξη δεδομένων (Data Mining). Η επιστήμη της εξόρυξης χρήσιμης πληροφορίας από σύνολα ή βάσεις δεδομένων μεγάλου μεγέθους, όπως είναι ο ακριβής ορισμός της, χαρακτηρίζεται ως μία επαναληπτική διαδικασία, η οποία χρησιμοποιεί διάφορες τεχνικές και μεθόδους προκειμένου να εξάγει χρήσιμη γνώση για τον άνθρωπο. Η εξόρυξη δεδομένων βρίσκει εφαρμογή σε πάρα πολλούς κλάδους της καθημερινότητας. Από το τρόπο με τον οποίο αγοράζει μία απλή νοικοκυρά, μέχρι την βιολογία και τον τροπή που παίρνουν οι κλιματολογικές αλλαγές. Ένας από αυτούς είναι και ο τραπεζικός κλάδος. Οι τράπεζες προσπαθούν να εκμεταλλευτούν αυτόν τον τεράστιο όγκο δεδομένων που συρρέουν στα συστήματα τους καθημερινά, έτσι ώστε να μπορέσουν να βελτιώσουν τις παροχές και τη συμπεριφορά τους απέναντι στο καταναλωτικό κοινό. Παράλληλα, επιθυμούν να διασφαλίσουν και οι ίδιες της βιωσιμότητά τους, χρησιμοποιώντας την εξόρυξη δεδομένων για τη διαχείριση κινδύνων, την ανίχνευση ξεπλύματος χρήματος, το μάρκετινγκ και πολλούς άλλους τομείς. Ένας από αυτούς, είναι και η διαδικασία χορήγησης ενός στεγαστικού δανείου, χρησιμοποιώντας την εξόρυξη δεδομένων προκειμένου να προσπαθήσουν να εξασφαλίσουν την αποπληρωμή του δανείου, αναλύοντας με τον σωστό τρόπο τα χαρακτηριστικά των υποψήφιων πελατών.
Abstract (translated): Machine learning and its algorithms, also like computer science, are areas of development that scientists have focused on and show continuous progress. The main objective of these efforts is to facilitate various processes in the everyday life of employees using new tools, but also people in general, through the creation of various software programs and applications. The sector that has flourished in recent years is Data Mining. The science of extracting useful information from large-scale sets or databases, as is its exact definition, is characterized as an iterative process, which uses various techniques and methods in order to extract useful knowledge for humans. Data Mining is being used in many branches of everyday life. From the way a simple housewife buys, to the biology and the way climate change. One of them is also the banking industry. Banks are trying to exploit this huge amount of data that flows into their systems every day, so that they can improve their benefits and behavior towards the consumer public. At the same time, they wish to ensure their own sustainability, using data mining for risk management, money laundering detection, marketing, and many other areas. One of them is the process of granting a mortgage loan, using data Mining in order to try to secure the repayment of the loan, analyzing in the right way the characteristics of prospective customers.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
DT_M_Δημητρόπουλος_Γιώργος_1047302.pdf2.35 MBAdobe PDFView/Open

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