Πλοήγηση 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

Τώρα δείχνει 1 - 5 από 5

Build a credit card fraud detection model using unsupervised machine learning algorithms
(10-10-2024) Ιντζόγλου, Ευάγγελος; Intzoglou, Evangelos; Athens University of Economics and Business, Department of Informatics; Vassalos, Vasilios; Papastamoulis, Panagiotis; Lappas, Theodoros
Η απάτη με πιστωτικές κάρτες παραμένει μια σημαντική πρόκληση για τον τραπεζικό κλάδο, γεγονός που καθιστά αναγκαία την ανάπτυξη ισχυρών συστημάτων ανίχνευσης απάτης. Η παρούσα διπλωματική εργασία εστιάζει στην αξιοποίηση τεχνικών μηχανικής μάθησης χωρίς επίβλεψη για την κατασκευή ενός μοντέλου ανίχνευσης απάτης με πιστωτικές κάρτες. Χρησιμοποιώντας ένα σύνολο δεδομένων που περιλαμβάνει περίπου 5,5 εκατομμύρια συναλλαγές από 10.000 πελάτες της Εθνικής Τράπεζας της Ελλάδος (ΕΤΕ), το έργο χρησιμοποιεί μοντέλα όπως το K-Prototypes και μοντέλα της PyOD για την ανίχνευση ανωμαλιών. Η απουσία επισημασμένων αποτελεσμάτων που υποδεικνύουν απάτη καθιστά αναγκαία τη χρήση μη επιβλεπόμενων μεθόδων, οι οποίες μπορούν να εντοπίσουν δυνητικά ύποπτες συναλλαγές με βάση την απόκλισή τους από τα κανονικά πρότυπα. Η εργασία διερευνά διάφορες τεχνικές για την αξιολόγηση των επιδόσεων των μοντέλων χωρίς ετικέτες για το αποτέλεσμα της συναλλαγής, με στόχο την ανάπτυξη ενός αξιόπιστου συστήματος ανίχνευσης απάτης που μπορεί να βοηθήσει τα χρηματοπιστωτικά ιδρύματα στην προστασία από τέτοιου είδους δραστηριότητες. Τα ευρήματα συμβάλλουν στις συνεχιζόμενες προσπάθειες για την ενίσχυση των μηχανισμών ανίχνευσης απάτης στον τραπεζικό τομέα και αναδεικνύουν τη σημασία της μάθησης χωρίς επίβλεψη στην αντιμετώπιση σύνθετων προκλήσεων όπως οι απάτες πιστωτικών καρτών.
Exploring machine learning approaches to decide how to position slot games on a website to maximize performance
(14-12-2022) Σταύρου, Ανδρέας; Stavrou, Andreas; Athens University of Economics and Business, Department of Informatics; Repoussis, Panagiotis; Vassalos, Vasilios; Lappas, Theodoros
Η τοποθέτηση προϊόντων έχει καταστεί ένας ολοένα και αυξανόμενος σημαντικός τρόπος για τις εταιρίες με σκοπό να προσεγγίσουν το κοινό τους με διακριτικούς τρόπους. Οργανισμοί χρησιμοποιούν την τοποθέτηση προϊόντων για να αυξήσουν τις πωλήσεις, την αναγνωρισιμότητα, και να προσελκύσουν πελάτες – όλα αυτά χωρίς «παραδοσιακές» διαφημίσεις. Είναι η τέχνη του να καθορίζεις που θα εμφανιστούν τα προϊόντα σε ένα φυσικό κατάστημα ή σε μία ιστοσελίδα μέσω της οργάνωσης, διαπραγμάτευσης και σχεδιασμού. Μελέτες της συμπεριφορικής επιστήμης δείχνουν ότι η σωστή τοποθέτηση προϊόντων μπορεί να έχει θετική επίδραση στην επίδοση προϊόντων και στην αναγνωρισιμότητα των εταιριών. Το ερώτημα είναι, έχουμε τη δυνατότητα να ανακαλύψουμε τη βέλτιστη θέση που πρέπει να τοποθετηθεί ένα προϊόν ώστε να προσελκύσει περισσότερους από το αναμενόμενο πελάτες; Στην παρούσα διπλωματική, ερευνήθηκαν αρκετές προσεγγίσεις μηχανικής μάθησης για να αναγνωρίσουν την καλύτερη θέση ενός παιχνιδιού σε κάποια ιστοσελίδα, με σκοπό την μεγιστοποίηση του τζίρου, του αριθμού των στοιχημάτων και την αφοσίωση του πελάτη.Για να επιτευχθούν τα παραπάνω, εφαρμόστηκε μία μέθοδο τριών σημείων. Σαν μία στοιχειώδη εισαγωγή, το πρώτο σημείο αφορά την χρήση διάφορων αλγορίθμων με σκοπό εκτίμηση του τζίρου ενός παιχνιδιού βασιζόμενη στα μοναδικά χαρακτηριστικά του και στη θέση του. Ακολούθως, το δεύτερο σημείο είναι η αναγνώριση των βασικών χαρακτηριστικών που επηρεάζουν την απόφαση του αλγόριθμου με σκοπό την δημιουργία ενός καναλιού που θα εξάγει αναλυτική εξήγηση της σπουδαιότητας των συντελεστών. Στο τελευταίο σημείο, χρησιμοποιήθηκαν επεξηγήσεις counterfactuals οι οποίες συνδυαστικά με τον αλγόριθμο του πρώτου σημείου αποτελούν το σύστημα που θα προτείνει την κατάλληλη θέση κάθε παιχνιδιού δοσμένου ενός συγκεκριμένου στόχου.Αυτή η διπλωματική εργασία χωρίζεται σε τρία μέρη, το καθένα του οποίου αναλύει καθένα από τα τρία σημεία που αναφέρθηκαν παραπάνω.
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.
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.
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.