BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20220413T144945Z
LAST-MODIFIED:20220413T144945Z
DTSTAMP:20260809T190837Z
UID:1786291717@tuc.gr
SUMMARY:Παρουσίαση διπλωματικής εργασίας κ. 
 Χαϊντούτη Βάιου, Σχολή ΜΠΔ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=5498&cHash=a4
 3117b7496ef0c37c7d22a18abaa88a\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡ
 ΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ\n  \n Ονοματεπώ
 νυμο:   Χαϊντούτης Βάιος\n Αριθμός Μ
 ητρώου:              2014010192\n  \
 n Θέμα\n Τίτλος στα Ελληνικά:       
      Πρόβλεψη αποχώρησης πελατών με 
 χρήση αλγορίθμων Μηχανικής Μάθησης\n
  Τίτλος στα Αγγλικά:            Cust
 omer churn prediction using Machine 
 Learning algorithms\n  \n Επιτροπή:\
 n Επιβλέπων:  Τσαφαράκης Στέλιος\n Π
 ρώτο Μέλος:  Δούμπος Μιχαήλ\n Δεύτερ
 ο Μέλος:  Κρασαδάκη Ευαγγελία\n  \n 
  \n Περίληψη της εργασίας στα Ελληνι
 κά:           \n            Οι αλγόρ
 ιθμοι Μηχανικής Μάθησης (Machine Lea
 rning) εφαρμόζονται όλο και περισσότ
 ερο σε διάφορους τομείς, όπως σε αυτ
 ούς της βιομηχανίας, της ιατρικής κα
 ι της αστρονομίας  για την εξόρυξη δ
 εδομένων (data mining) από σύνθετες 
 βάσεις (datasets). Στην παρούσα εργα
 σία θα εφαρμοστούν μερικοί από αυτού
 ς τους αλγορίθμους σε μία βάση δεδομ
 ένων των πελατών μιας επιχείρησης. \
 n             Το dataset που θα χρησ
 ιμοποιηθεί, προέρχεται από τη βιβλιο
 θήκη Kaggle και περιλαμβάνει 64.000 
 καταχωρήσεις πελατών. Οι μεταβλητές 
 του dataset αφορούν τις αγοραστικές 
 συνήθειες κάθε πελάτη, τις ενδεχόμεν
 ες παροχές και προσφορές που έχουν λ
 άβει από την επιχείρηση αλλά και το 
 αν συνεχίζουν να ανήκουν στο πελατολ
 όγιο της ή όχι (conversion rate). \n
              Το πρόγραμμα που θα χρη
 σιμοποιηθεί για τις αναλύσεις είναι 
 το Weka (έκδοση 3.8.5) που αναπτύχθη
 κε στο πανεπιστήμιο του Waikato της 
 Νέας Ζηλανδίας. Είναι ένα ελεύθερο λ
 ογισμικό που περιλαμβάνει διάφορους 
 αλγορίθμους Μηχανικής Μάθησης που εφ
 αρμόζονται για την ανάλυση και εξόρυ
 ξη δεδομένων. \n             Αρχικά,
  θα εκπαιδευτεί ένας ταξινομητής (cl
 assifier) για την πρόβλεψη της συμπε
 ριφοράς  πελατών της επιχείρησης ως 
 προς την αφοσίωση και την εμπιστοσύν
 η που θα δείξουν γιια τις μελλοντικέ
 ς τους συναλλαγές, ο οποίος θα επιλε
 χθεί μέσα από μια συγκριτική αξιολόγ
 ηση (benchmarking) αλγορίθμων επιτηρ
 ούμενης μάθησης ως προς την ακρίβεια
  και ποιότητα των αποτελεσμάτων, με 
 σκοπό να βρεθεί ο αλγόριθμος με τον 
 καλύτερο συνδυασμό παραμέτρων. \n   
           Στη συνέχεια, επιχειρείται
  ένας διαχωρισμός των πελατών σε δύο
  κατηγορίες, αυτούς που συνεχίζουν τ
 ις συναλλαγές τους με την επιχείρηση
  και αυτούς που αποχώρησαν (churners
 ). Σε κάθε μία από τις ομάδες θα εφα
 ρμοστούν αλγόριθμοι ομαδοποίησης και
  εξαγωγής κανόνων συσχέτισης για να 
 εντοπιστούν μοτίβα και κοινά χαρακτη
 ριστικά μεταξύ των πελατών που να εξ
 ηγούν και να δικαιολογούν τη φυγή το
 υς ή όχι. \n             Στην ομαδοπ
 οίηση (clustering), θα γίνει ο διαχω
 ρισμός του δείγματος σε ομάδες με χρ
 ήση του αλγορίθμου k-means, όπου τα 
 στοιχεία της μιας ομάδας είναι όσο τ
 ο δυνατόν πιο όμοια μεταξύ τους και 
 όσο το συνατόν πιο διαφορετικά από τ
 ις υπόλοιπες ομάδες για να υπάρξει μ
 ια ξεκάθαρη κατηγοριοποίηση. \n     
         Η εξαγωγή κανόνων συσχέτισης
  (association rules) είναι μία μέθοδ
 ος για την ανακάλυψη ενδιαφέρων σχέσ
 εων μεταξύ μεταβλητών σε μεγάλες βάσ
 εις δεδομένων. Με αυτό τον τρόπο εντ
 οπίζονται κοινές συνήθειες των πελατ
 ών που ανάλογα με τη συχνότητα που ε
 μφανίζονται οδηγούν σε χρήσιμα συμπε
 ράσματα.\n             Τελικός στόχο
 ς είναι να βρεθεί το προφίλ των πελα
 τών που είναι πιο πιθανό να αποχωρήσ
 ουν από την επιχείρηση, να αναλυθεί,
  για να εφαρμοστούν μέθοδοι στοχευμέ
 νου μάρκετινγκ προκειμένου να καταφέ
 ρει η επιχείρηση να κρατήσει τους πε
 λάτες αυτούς κοντά της, αλλά και ενδ
 εχομένως να ανταμείψει το προφίλ πελ
 ατών που επιδεικνύουν συνέπεια και α
 φοσίωση. \n  \n ​​​​​​​Ημερομηνία Εξ
 έτασης\n Ημέρα/Μήνας/Έτος:          
    Παρασκευή 15/4/2022\n Ώρα:       
                 11:00\n  \n ​​​​​​​Χ
 ώρος Εξέτασης\n Αίθουσα:            
    \n https://tuc-gr.zoom.us/j/84376
 874961?pwd=WTVEY1RZQzhST0lUcDNuR1U5T
 1M1dz09\n Κτίριο:    \n   \n  \n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20220415T110000
DTEND:20220415T120000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR