Λογότυπο αποθετηρίου

Πλοήγηση ανά Συγγραφέα "Tsougias, Dimos"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Predictive modeling for admission in MSc Business Analytics Program: a comparative study of applicant characteristics and academic outcomes
    (2024-03-15) Τσούγιας, Δήμος; Tsougias, Dimos; Athens University of Economics and Business, Department of Management Science and Technology; Karlis, Dimitrios; Louridas, Panagiotis; Chatziantoniou, Damianos
    Η παρούσα εργασία εξετάζει την εφαρμογή των τεχνικών προβλεπτικής μοντελοποίησης στην διαδικασία επιλογής μεταπτυχιακών φοιτητών στο πρόγραμμα της Επιχειρηματικής Αναλυτικής του Οικονομικού Πανεπιστημίου Αθηνών (ΟΠΑ). Επικεντρώνοντας την προσοχή και αξιοποιώντας τα ιστορικά δεδομένα από προηγούμενους κύκλους εισαγωγής, ακολουθώντας όλες τις απαραίτητες τεχνικές ανωνυμοποίησης, διεξήχθη ένας λεπτομερής καθαρισμός και επεξεργασία δεδομένων για την ανάδειξη μοτίβων και συσχετίσεων μεταξύ των χαρακτηριστικών των ενδιαφερόμενων φοιτητών τόσο για τα προγράμματα Πλήρους Απασχόλησης όσο και Μερικής Απασχόλησης ξεχωριστά.Με μια ποικίλη συλλογή αλγορίθμων μηχανικής μάθησης - συμπεριλαμβανομένων της λογιστικής παλινδρόμησης, του δέντρου απόφασης, του τυχαίου δάσους, του Κ-NN και της SVM - η μεταπτυχιακή εργασία εξετάζει την απόδοσή τους και την ικανότητά τους στην πρόβλεψη των αποτελεσμάτων εισαγωγής στο συγκεκριμένο μεταπτυχιακό πρόγραμμα. Διεξήχθησαν διάφορες επαναλήψεις οδηγώντας στην εκπαίδευση και αξιολόγηση των μοντέλων χρησιμοποιώντας την διαίρεση των δεδομένων για εκπαίδευση και αξιολόγηση, με και χωρίς κλιμάκωση δεδομένων για να εξεταστεί η απόδοση των προβλεπτικών μοντέλων υπό διαφορετικές συνθήκες. Επιπλέον, διεξήχθη μια εστιασμένη έρευνα χρησιμοποιώντας μεταβλητές που επιλέχθηκαν από την παλινδρόμηση LASSO, προσφέροντας βαθύτερη επίγνωση για τα πιο επιδραστικά χαρακτηριστικά τα οποία συνήθως επηρεάζουν την απόφαση αποδοχής ή μη των ενδιαφερόμενων φοιτητών.Σε επόμενες επαναλήψεις, η μεταπτυχιακή εργασία λαμβάνει επίσης υπόψη τη σημασία της εφαρμογής του k-fold cross-validation για να διασφαλίσει την αξιοπιστία του μοντέλου και να μειώσει τα προβλήματα υπερ-προσαρμογής με στόχο την ενίσχυση της αξιοπιστίας και της γενίκευσης των προβλεπτικών μοντέλων. Ως σημείο αναφοράς, στο τέλος εξετάστηκε επίσης η απόδοση ενός τεχνητού νευρωνικού δικτύου (ANN) έναντι των παραδοσιακών μεθόδων παρέχοντας πολύτιμες συγκριτικές εισηγήσεις.Τα ευρήματα υπογραμμίζουν την αποτελεσματικότητα και την ικανότητα των παραδοσιακών τεχνικών μοντελοποίησης, με τα κορυφαία μοντέλα να επιτυγχάνουν ποσοστό ακρίβειας περίπου 74% τόσο για τα προγράμματα Πλήρους Απασχόλησης όσο και Μερικής Απασχόλησης.