Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Μεταπτυχιακές Εργασίες

Μόνιμο URI για αυτήν τη συλλογήhttps://pyxida.aueb.gr/handle/123456789/42

Περιήγηση

Πλοήγηση Μεταπτυχιακές Εργασίες ανά Επιβλέπων "Lappas, Theodoros"

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 - 3 από 3
  • Μικρογραφία εικόνας
    Τεκμήριο
    InstaLike predictor: extracting Instagram data and predicting post likes using Python
    (19-09-2024) Γιώργας, Αντώνιος; Giorgas, Antonios; Athens University of Economics and Business, Department of Marketing and Communication; Baltas, George; Saridakis, Charalampos (Babis); Lappas, Theodoros
    Εξαγωγή Δεδομένων από το Instagram και Πρόβλεψη Likes των Αναρτήσεων με Χρήση της Python.Το Instagram είναι μια ευρέως χρησιμοποιούμενη πλατφόρμα για την κοινοποίηση φωτογραφιών και βίντεο, με εκατομμύρια ενεργούς χρήστες καθημερινά. Για επιχειρήσεις, influencers και marketers, η κατανόηση των δεδομένων εμπλοκής, όπως τα likes των αναρτήσεων, είναι κρίσιμη για τη βελτιστοποίηση των στρατηγικών περιεχομένου. Μέσω της εξαγωγής δεδομένων από το Instagram και της πρόβλεψης των likes χρησιμοποιώντας την Python, μπορούν να αντληθούν πολύτιμες πληροφορίες που θα βελτιώσουν την εμπλοκή του κοινού και την απόδοση των αναρτήσεων.Εξαγωγή Δεδομένων με το Instagrapi.Για την εξαγωγή δεδομένων από το Instagram, η Python προσφέρει αρκετά εργαλεία, με ένα από τα πιο αποδοτικά να είναι η βιβλιοθήκη `Instagrapi`. Το `Instagrapi` είναι ένας ελαφρύς Python client που επιτρέπει στους χρήστες να συνδέονται και να αποκτούν δεδομένα από το Instagram, όπως αναρτήσεις, προφίλ χρηστών, hashtags, και πολλά άλλα. Αυτή η βιβλιοθήκη απλοποιεί τη συλλογή δεδομένων, επιτρέποντας την εξαγωγή πληροφοριών όπως λεζάντες αναρτήσεων, hashtags, αριθμός ακολούθων, σχόλια και μετρικές εμπλοκής (likes και κοινοποιήσεις). Τα δεδομένα που εξάγονται μπορούν να οργανωθούν σε δομημένη μορφή, όπως ένα αρχείο CSV ή μια βάση δεδομένων, για περαιτέρω ανάλυση. Αυτά τα δεδομένα περιλαμβάνουν χαρακτηριστικά όπως ο αριθμός ακολούθων, το μήκος των λεζάντων, τα hashtags, ο χρόνος ανάρτησης και οι ιστορικές μετρήσεις εμπλοκής.Πρόβλεψη Likes των Αναρτήσεων.Με τα δεδομένα στη διάθεσή μας, το επόμενο βήμα είναι η πρόβλεψη του αριθμού των likes που μπορεί να λάβει μια ανάρτηση. Αυτό περιλαμβάνει τη χρήση μοντέλων μηχανικής μάθησης για την ανίχνευση προτύπων μεταξύ χαρακτηριστικών, όπως τα hashtags, ο χρόνος ανάρτησης και ο αριθμός των ακολούθων, και του αριθμού των likes που λαμβάνουν οι αναρτήσεις. Βιβλιοθήκες της Python, όπως οι `Pandas`, `Scikit-learn` και `TensorFlow`, είναι απαραίτητες για την προεπεξεργασία των δεδομένων, την εκπαίδευση και την αξιολόγηση των μοντέλων πρόβλεψης. Τα στάδια προεπεξεργασίας περιλαμβάνουν τον καθαρισμό των δεδομένων, τη διαχείριση των ελλιπών τιμών και την κωδικοποίηση κατηγορικών μεταβλητών όπως τα hashtags. Αλγόριθμοι όπως η Γραμμική Παλινδρόμηση, το Random Forest ή τα Νευρωνικά Δίκτυα μπορούν να χρησιμοποιηθούν για την εκπαίδευση μοντέλων που προβλέπουν με ακρίβεια τα likes.Χρησιμοποιώντας το `Instagrapi` για την εξαγωγή δεδομένων και τις ισχυρές βιβλιοθήκες μηχανικής μάθησης της Python, οι χρήστες μπορούν να λαμβάνουν αποφάσεις βάσει δεδομένων για τη βελτιστοποίηση των στρατηγικών περιεχομένου στο Instagram και την αύξηση της εμπλοκής των αναρτήσεων.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Interpretable machine learning for modeling customer churn in the auto-insurance industry
    (31-05-2024) Συρίγου, Σοφία; Syrigou, Sofia; Athens University of Economics and Business, Department of Marketing and Communication; Baltas, George; Saridakis, Charalampos (Babis); Lappas, Theodoros
    Οι ερμηνεύσιμες τεχνικές μηχανικής μάθησης έχουν αποκτήσει μεγάλη απήχηση τα τελευταία χρόνια λόγω της ικανότητάς τους να παρέχουν πρακτικές γνώσεις διατηρώντας παράλληλα τη διαφάνεια και την ευθύτητα. Στο πλαίσιο του κλάδου ασφάλισης αυτοκινήτων, όπου η απώλεια πελατών αποτελεί σημαντική πρόκληση, η υιοθέτηση ερμηνεύσιμων μοντέλων μηχανικής μάθησης θα μπορούσε να είναι πολύ επωφελής. Αυτά τα μοντέλα προσφέρουν μια πολλά υποσχόμενη λεωφόρο για τον εντοπισμό των υποκείμενων παραγόντων που οδηγούν στην απώλεια και τη διευκόλυνση της ανάπτυξης αποτελεσματικών στρατηγικών διατήρησης των πελατών. Η μεταπτυχιακή αυτή εργασία είναι ένα Έργο Μελέτης Πεδίου με πραγματικά δεδομένα από μια εταιρεία σύγκρισης τιμών για ασφάλειες αυτοκινήτων. Ο στόχος της εργασίας είναι η διερεύνηση της εφαρμογής της μηχανικής μάθησης για τη μοντελοποίηση της απώλειας των πελατών στον τομέα ασφάλειας αυτοκινήτων. Επιδιώκουμε να κατανοήσουμε την αιτία που οι πελάτες αποχωρούν και τι θα μπορούσε γα γίνει διαφορετικά στο κομμάτι της στρατηγικής Μάρκετινγκ ώστε να υπάρχει η διατήρηση τους αλλά και η βελτίωση της γενικότερης εμπειρία τους.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Performance prediction on Instagram: a comprehensive approach combining visual and caption-based features
    (09-10-2024) Φώτου, Κωνσταντίνα-Μαρία; Fotou, Konstantina-Maria; Athens University of Economics and Business, Department of Marketing and Communication; Baltas, George; Saridakis, Charalampos (Babis); Lappas, Theodoros
    Υπόβαθρο: Η αυξανόμενη δημοτικότητα του Instagram καθιστά αναγκαία την κατανόηση των παραγόντων που επηρεάζουν την απόδοση των αναρτήσεων. Σε αντίθεση με άλλες μελέτες που επικεντρώνονται σε βασικά χαρακτηριστικά όπως τα likes και τα σχόλια, αυτή η έρευνα εξετάζει συνδυαστικά αυτά τα χαρακτηριστικά μαζί με οπτικά στοιχεία, όπως η παρουσία προσώπου σε μια εικόνα ή βίντεο. Επιπλέον, ενώ η παραδοσιακή βιβλιογραφία συνήθως χρησιμοποιεί μοντέλα παλινδρόμησης για να εκτιμήσει την απόδοση, αυτή η μελέτη αντιμετωπίζει το πρόβλημα ως μια δυαδική ταξινόμηση, προβλέποντας αν μια ανάρτηση στο Instagram θα είναι "δημοφιλής" ή "μη δημοφιλής".Σκοπός: Στόχος αυτής της διπλωματικής είναι η πρόβλεψη της δημοφιλίας των αναρτήσεων στο Instagram, αξιοποιώντας μεταδεδομένα όπως το κείμενο, τα hashtags, τα likes και τα σχόλια, καθώς και το οπτικό περιεχόμενο μιας ανάρτησης. Η έρευνα επικεντρώνεται στις αναρτήσεις της εταιρείας καλλυντικών "Rare Beauty".Μέθοδοι: Το σύνολο των δεδομένων που χρησιμοποιήθηκε στην έρευνα αποτελείται από 640 αναρτήσεις στο Instagram, οι οποίες συλλέχθηκαν από τον λογαριασμό της εταιρείας "Rare Beauty". Για την πρόβλεψη της δημοφιλίας, χρησιμοποιήθηκαν αλγόριθμοι μηχανικής μάθησης, όπως το Random Forest και το Gradient Boosting. Κατά την διαδικασία ανάλυσης των δεδομένων, δημιουργήθηκαν νέες μεταβλητές, όπως το συναίσθημα που δημιουργεί το κειμένου μιας ανάρτησης καθώς και η παρουσία προσώπων στις εικόνες και τα βίντεο, με τη χρήση προχωρημένων μοντέλων όπως το VGG16 και το MTCNN.Αποτελέσματα: Το Gradient Boosting αποδείχθηκε το πιο αποτελεσματικό μοντέλο με ακρίβεια περίπου 80%, επιδεικνύοντας ικανότητα στην πρόβλεψη της δημοφιλίας των αναρτήσεων. Το Random Forest πέτυχε ακρίβεια 75%, ενώ η Λογιστική Παλινδρόμηση είχε αρκετά χαμηλότερη ακρίβεια στο 55%, λόγω της έλλειψης γραμμικών σχέσεων μεταξύ των μεταβλητών. Κύριες μεταβλητές της μελέτης, όπως ο αριθμός των προβολών και το μήκος του κειμένου της λεζάντας, συνέβαλαν σημαντικά στην ακρίβεια του μοντέλου.Συμπεράσματα: Η μελέτη καταλήγει στο συμπέρασμα ότι ο συνδυασμός μεταδεδομένων και οπτικού περιεχομένου μπορεί να προβλέψει επιτυχώς τη δημοφιλία των αναρτήσεων στο Instagram. Το μοντέλο Gradient Boosting αποδείχθηκε το πιο ισχυρό εργαλείο πρόβλεψης, ξεπερνώντας άλλους αλγορίθμους μηχανικής μάθησης.