Predict the success of Bank Telemarketing using Machine Learning Methods

Predict the success of Bank Telemarketing using Machine Learning Methods

URI: https://www.openarchives.gr/aggregator-openarchives/edm/ntua/000011-123456789_53822
RDF/XML JSON-LD

This item is provided by the institution :
National Technical University of Athens

Repository :
Digital Library of National Technical University of Athens | Dspace@NTUA

see the original item page
in the repository's web site and access all digital files if the item^*

Title

Πρόβλεψη επιτυχίας προώθησης τραπεζικών προϊόντων με μεθόδους μηχανικής μάθησης (EL)

Predict the success of Bank Telemarketing using Machine Learning Methods (EN)

Creator

Μπότσιου, Χριστίνα (EL)

Botsiou, Christina (EN)

Contributor

ntua (EL)

Τσιπολίτης, Γεώργιος (EL)

Κουσουρής, Κωνσταντίνος (EL)

Τζαμαριουδάκη, Αικατερίνη (EL)

Type

bachelorThesis

Thesis
Bachelor thesis (EN)

Issued

2021-09-08T10:07:55Z

2021-07-07

Year

2021 (EN)

Description

Η παρούσα διπλωματική εργασία έχει ως αντικείμενο ένα πρόβλημα ταξινόμησης και παρουσιάζονται μέθοδοι μηχανικής μάθησης που επιλύουν το πρόβλημα. Κατασκευάστηκαν γραμμικά και μη γραμμικά μοντέλα με σκοπό την πρόβλεψη για το αν ένας πελάτης ενός πορτογαλικού τραπεζικού ιδρύματος θα ανοίξει προθεσμιακή κατάθεση ή όχι. Χρησιμοποιήθηκαν μέθοδοι ενδυνάμωσης, νευρωνικά δίκτυα και linear discriminant analysis. Το σύνολο δεδομένων προς επεξεργασία αποτελείται από χαρακτηριστικά των πελατών, όπως ηλικία φύλο εκπαίδευση, αλλά και οικονομικούς δείκτες. Για την επεξεργασία των δεδομένων και την εφαρμογή των μεθόδων χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python. Αρχικά πραγματοποιήθηκε η επεξεργασία των δεδομένων για να είναι σε κατάλληλη μορφή και στη συνέχεια με τις αντίστοιχες βιβλιοθήκες που παρέχει η Python, έγινε υλοποίηση των μεθόδων. (EL)

The present dissertation deals with a classification problem and presents machine learning methods that solve the problem. Linear and non-linear models were constructed to predict whether a customer of a Portuguese banking institution would open a time deposit or not. Boosting trees, neural networks and linear discriminant analysis were used in order to accomplish this task. The dataset consists of customer characteristics such as age, sex, education, but also financial indicators. Python (programming language) was used in order to to process the data and apply the methods. Initially the data was processed to be in a suitable format and then with the corresponding libraries provided by Python, the methods were implemented. (EN)

Scientific field

Natural Sciences
Physical sciences (EN)

Subject

Ταξινόμηση (EL)

Τεχνητή νοημοσύνη (EL)

Μηχανική μάθηση (EL)

Επιστήμη δεδομένων (EL)

Επιστήμη υπολογιστών (EL)

Machine learning (EN)

Neural network (EN)

Artificial intelligence (EN)

Informatics (EN)