Σχεδιασμός δαπανών και παρακολούθηση προϋπολογισμού με τη χρήση μηχανικής μάθησης
Expense planner and budget tracker with the use of machine learning
Λέξεις-κλειδιά
Μηχανική μάθηση ; Διαχείριση προϋπολογισμού ; Παρακολούθηση εξόδων ; Χρηματοοικονομικός σχεδιασμός ; Γραμμική παλινδρόμηση ; Δέντρα απόφασης ; FinTech ; Οπτικοποίηση δεδομένων ; Χρηματοοικονομικός γραμματισμός ; Ανθρωποκεντρική εφαρμογήΠερίληψη
Η αποτελεσματική διαχείριση των οικονομικών είναι ζωτικής σημασίας στο σύγχρονο οικονομικό περιβάλλον, ωστόσο πολλοί άνθρωποι δυσκολεύονται να παρακολουθήσουν και να ελέγξουν τις δαπάνες τους. Η παρούσα διπλωματική εργασία παρουσιάζει τον σχεδιασμό και την ανάπτυξη μιας εφαρμογής που βοηθά τους χρήστες στον προγραμματισμό προϋπολογισμού και την παρακολούθηση εξόδων μέσω τεχνικών μηχανικής μάθησης. Η προτεινόμενη λύση ενσωματώνει ομαδοποίηση (K-Means) για την ταξινόμηση συναλλαγών, γραμμική παλινδρόμηση για την πρόβλεψη δαπανών και δέντρα απόφασης τον αυτόματο διαχωρισμό των συναλλαγών κατά την εισαγωγή τους. Με την αξιοποίηση αυτών των τεχνολογιών, οι χρήστες αποκτούν μια ολοκληρωμένη εικόνα της οικονομικής τους συμπεριφοράς, επιτρέποντάς τους να λαμβάνουν τεκμηριωμένες αποφάσεις και να επιτυγχάνουν τους στόχους αποταμίευσής τους. Το σύστημα περιλαμβάνει επίσης εργαλεία οπτικοποίησης, προσφέροντας μια σαφή απεικόνιση της κατανομής του προϋπολογισμού μέσω γραφημάτων και στατιστικών. Η εφαρμογή στοχεύει να γεφυρώσει το χάσμα μεταξύ χρηματοοικονομικού γραμματισμού και τεχνολογικών λύσεων, καθιστώντας τη διαχείριση του προϋπολογισμού πιο προσιτή και αποτελεσματική. Η αξιολόγηση της εφαρμογής πραγματοποιήθηκε μέσω δοκιμών χρηστών, αποδεικνύοντας την αποτελεσματικότητά της στη βελτίωση της οικονομικής διαχείρισης και του χρηματοοικονομικού γραμματισμού.
Περίληψη
Effective financial management is crucial in today's economic environment, yet many individuals struggle to monitor and control their expenses. This thesis presents the design and development of an application that assists users in budget planning and expense tracking using machine learning techniques. The proposed solution integrates clustering (K-Means) for transaction classification, linear regression for expenditure forecasting, and decision trees for the automatic assigning of category. By leveraging these technologies, users gain a comprehensive understanding of their financial behavior, enabling them to make informed decisions and achieve their savings goals. The system also incorporates visualization tools, offering a clear understanding of budget distributions through graphs and statistics. The application aims to bridge the gap between financial literacy and technological solutions, making budget management more accessible and efficient. Evaluation of the application was conducted through user testing, demonstrating its effectiveness in improving financial literacy and management.
Αριθμός σελίδων
94Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Πληροφορικής και ΥπολογιστώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές