Συντάχθηκε 10-07-2026 12:18
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 14/07/2026 12:00
Λήξη: 14/07/2026 13:00
ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Όνοματεπώνυμο Φοιτητή: Καρύδας Βασίλειος
Α.Μ.: 2013050128
Ημερομηνία Παρουσίασης: 14-7-2026
Ώρα: 12:00
Αίθουσα: https://tuc-gr.zoom.us/j/92084532340?pwd=WhH29xebBWk9IdV59nFpQeTQZVp8oy.1
Θέμα ΔE «Εφαρμοσμένη Ανάλυση Συστάδων»
Title «Applied Cluster Analysis»
Επιβλέπων: Δάρας Τρύφων
Τριμελής Εξεταστική Επιτροπή:
1 Δάρας Τρύφων ………………
2 Μανουσάκης Αντώνης………………..
3 Παπαδομανωλάκη Μαρία ......……..
Περίληψη:
Η Ανάλυση Συστάδων (Cluster Analysis) αποτελεί μια στατιστική τεχνική που αποσκοπεί στην κατάταξη παρατηρήσεων σε ομάδες (συστάδες), βασιζόμενη στην πληροφορία που εμπεριέχεται σε ένα σύνολο μεταβλητών. Εξετάζοντας την ομοιότητα των παρατηρήσεων ως προς τις μεταβλητές αυτές, η μέθοδος στοχεύει στον εντοπισμό φυσικών "ομάδων" εντός των δεδομένων. Μια αποτελεσματική ανάλυση οδηγεί στη δημιουργία συστάδων υψηλής εσωτερικής ομοιογένειας και, ταυτόχρονα, σε σαφή διαφοροποίηση μεταξύ των ομάδων. Η ομαδοποίηση βασίζεται, κατά κανόνα, σε μέτρα απόστασης ή ομοιότητας μεταξύ των παρατηρήσεων.
Η Ανάλυση Συστάδων έχει καθιερωθεί ως βασικό εργαλείο στην ανάλυση πολυμεταβλητών δεδομένων και εφαρμόζεται ευρέως τόσο σε θετικές επιστήμες (όπως η βιολογία, η κοινωνιολογία και η στατιστική), όσο και σε σύγχρονους τομείς της πληροφορικής, όπως η αναγνώριση προτύπων, η εξόρυξη γνώσης (data mining), η ανάκτηση πληροφορίας, η τεχνητή νοημοσύνη και η μηχανική μάθηση. Από το 2019 έως και σήμερα (2025), οι εξελίξεις στη διαχείριση και ανάλυση μεγάλων δεδομένων (big data analytics), καθώς και η ενσωμάτωση των τεχνικών ομαδοποίησης σε συστήματα υποστήριξης αποφάσεων, έχουν ενισχύσει τη σημασία της μεθόδου σε εφαρμογές που σχετίζονται με την υγεία, το περιβάλλον και την επιχειρηματική ευφυΐα.
Στο 1ο κεφάλαιο της παρούσας εργασίας παρουσιάζεται μια εισαγωγή στην Ανάλυση Συστάδων, με αναφορά στη φιλοσοφία της μεθοδολογίας, στις βασικές κατηγορίες μεθόδων, καθώς και στα πλεονεκτήματα, μειονεκτήματα και πρακτικές δυσκολίες κατά την εφαρμογή της.
Το 2ο κεφάλαιο εστιάζει στα μέτρα απόστασης και ομοιότητας που χρησιμοποιούνται για την εκτίμηση της εγγύτητας μεταξύ παρατηρήσεων, ανάλογα με τη φύση των μεταβλητών, συνοδευόμενα από επεξηγηματικά παραδείγματα.
Στο 3ο κεφάλαιο, εξετάζονται τόσο οι ιεραρχικές όσο και οι μη ιεραρχικές μέθοδοι ταξινόμησης, με έμφαση σε τεχνικές όπως η ανιούσα ιεραρχική ταξινόμηση και η μέθοδος k-means, και παρουσιάζονται εφαρμογές σε υποθετικά και πραγματικά σύνολα δεδομένων.
Στο 4ο κεφάλαιο παρουσιάζονται δύο εφαρμογές της Ανάλυσης Συστάδων: η πρώτη σε περιβαλλοντικά και κοινωνικοοικονομικά δεδομένα 27 κρατών-μελών της Ευρωπαϊκής Ένωσης, και η δεύτερη σε δεδομένα υγείας 100 ατόμων με βάση καρδιομεταβολικούς δείκτες. Σε κάθε εφαρμογή αξιοποιούνται η ιεραρχική ομαδοποίηση και η μέθοδος k-means για την ανάδειξη και την ερμηνεία διακριτών προφίλ.
Τέλος, το 5ο κεφάλαιο συνοψίζει τα συμπεράσματα της εργασίας, με συγκριτική ανάγνωση των δύο εφαρμογών, συζήτηση της ευρύτερης εφαρμοσιμότητας της μεθόδου σε περιβαλλοντικά και ιατρικά δεδομένα, καθώς και μεθοδολογικές συστάσεις και προτάσεις για μελλοντική έρευνα.
Abstract:
Cluster analysis is a statistical technique used to classify a set of observations into groups (clusters) based on the similarity of their characteristics. By examining how similar observations are with respect to a set of variables, the method aims to identify natural groupings within the data. An effective clustering process results in highly homogeneous groups internally, while maximizing the dissimilarity between different groups. This classification is typically achieved through distance or similarity metrics.
Cluster analysis plays a vital role in multivariate data exploration and has found widespread application across disciplines such as sociology, biology, and statistics, as well as in modern fields like pattern recognition, data mining, information retrieval, artificial intelligence, and machine learning. In recent years (2019–2025), its integration into large-scale data processing pipelines and decision support systems has further increased its relevance, particularly in domains such as healthcare and environmental analytics.
Chapter 1 introduces the fundamental principles of cluster analysis, including its methodology, strengths, limitations, and implementation challenges. Chapter 2 discusses key similarity and distance measures based on the type of variables, along with detailed examples. Chapter 3 presents both hierarchical and non-hierarchical clustering methods, focusing on techniques such as agglomerative clustering and the k-means algorithm. Chapter 4 presents two applications of cluster analysis: the first on environmental and socioeconomic data from the 27 member states of the European Union, and the second on health data from 100 individuals based on cardiometabolic indicators. In each application, hierarchical clustering and the k-means algorithm are used to identify and interpret distinct profiles.Finally, Finally, Chapter 5 summarizes the conclusions of the study, offering a comparative reading of the two applications, a discussion of the method's broader applicability to environmental and medical data, as well as methodological recommendations and directions for future research.
