Ανάπτυξη πολυκριτήριας μεθοδολογίας υπολογισμού βαρών σε ensemble τεχνικέςμηχανικής μάθησης

Flokos Theodoros

URI	http://purl.tuc.gr/dl/dias/3205D4B3-6DF2-42EA-8137-727E4C9E7BD3	-
Αναγνωριστικό	https://doi.org/10.26233/heallink.tuc.78696	-
Γλώσσα	el	-
Μέγεθος	109 σελίδες	el
Μέγεθος	3,77 megabytes	el
Τίτλος	Ανάπτυξη πολυκριτήριας μεθοδολογίας υπολογισμού βαρών σε ensemble τεχνικές μηχανικής μάθησης	el
Τίτλος	Development of multicriteria method for assessing weights in machine learning ensemble models	en
Δημιουργός	Flokos Theodoros	en
Δημιουργός	Φλωκος Θεοδωρος	el
Συντελεστής [Επιβλέπων Καθηγητής]	Matsatsinis Nikolaos	en
Συντελεστής [Επιβλέπων Καθηγητής]	Ματσατσινης Νικολαος	el
Συντελεστής [Βοηθός]	Sakellaris Alkaios	en
Συντελεστής [Βοηθός]	Σακελλαρης Αλκαιος	el
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Tsafarakis Stelios	en
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Τσαφαρακης Στελιος	el
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Grigoroudis Evangelos	en
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Γρηγορουδης Ευαγγελος	el
Εκδότης	Πολυτεχνείο Κρήτης	el
Εκδότης	Technical University of Crete	en
Ακαδημαϊκή Μονάδα	Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης	el
Περιγραφή	Διπλωματική εργασία που υποβλήθηκε για τη μερική κάλυψη των αναγκών απόκτησης του Διπλώματος Μηχανικού Παραγωγής και Διοίκησης.	el
Περιγραφή	Diploma thesis submitted for the partial fulfillment of the requirements for the Diploma of Production Engineering and Management.	en
Περίληψη	Η ανάγκη για το συνδυασμό της γνώσης των ειδικών και η χρησιμοποίηση αυτής για την υποβοήθηση της λήψης αποφάσεων, είναι ένα θέμα το οποίο απασχολεί σε μεγάλο βαθμό τη σύγχρονη επιστήμη των αποφάσεων. Ένα από τα προβλήματα που αντιμετωπίζεται συχνά από τους ειδικούς κατά τη διάρκεια της λήψης αποφάσεων είναι η ταξινόμηση αντικειμένων(πχ προϊόντων, υπηρεσιών, καταστάσεων κτλ) σε πολλαπλές κατηγορίες. Από την άλλη μεριά, η «έκρηξη» των δεδομένων στη σημερινή εποχή, καθιστά τη διαδικασία της ταξινόμησης αντικειμένων ως ένα εξαιρετικά δύσκολο έργο για τους ειδικούς. Για αυτό το λόγο έχουν αναπτυχθεί υπολογιστικά μοντέλα στο τομέα της μηχανικής μάθησης, τα οποία προσομοιάζουν το τρόπο λήψης αποφάσεων των ειδικών με τη βοήθεια εμπειρικών δεδομένων. Αυτά τα μοντέλα στην περίπτωση της διαδικασίας της ταξινόμησης αντικειμένων είναι γνωστά ως «ταξινομητές». Με σκοπό την περαιτέρω βελτιστοποίηση της λήψης αποφάσεων, έχουν αναπτυχθεί τεχνικές για το συνδυασμό των «ταξινομητών», οι οποίες είναι γνωστές ως «ensemble» τεχνικές. Ένα από τα προβλήματα που παρουσιάζονται στην ανάπτυξη «ensemble» τεχνικών είναι η ποσοτικοποίηση της συνεισφοράς του κάθε «ταξινομητή» στην τελική απόφαση. Η πλειοψηφία των διαδεδομένων «ensemble» τεχνικών, είτε αποδίδει ένα «βάρος» σε κάθε «ταξινομητή» ανάλογα με την απόδοση του σε κάποιο συγκεκριμένο στατιστικό μέτρο ακρίβειας, είτε κάνει την υπόθεση ότι η συνεισφορά όλων των «ταξινομητών» είναι ισότιμη. Όμως είναι γνωστό ότι τα στατιστικά μέτρα ακρίβειας έχουν πλεονεκτήματα και μειονεκτήματα λόγο των υποθέσεων που κάνουν. Συνεπώς η επιλογή ενός μόνο στατιστικού μέτρου για την κατανομή των βαρών των «ταξινομητών» δημιουργεί ελλείψεις στο τρόπο επιλογής των βαρών. Εμείς θα διερευνήσουμε τη δυνατότητα το παραπάνω πρόβλημα να θεωρηθεί ως ένα πολυκριτήριο πρόβλημα, αμβάνοντας ως κριτήρια ένα σύνολο από στατιστικά μέτρα ακρίβειας. Σκοπός της παρούσας διπλωματικής εργασίας είναι ανάπτυξη μιας «ensemble» τεχνικής η οποία θα λαμβάνει υπόψη της τα προαναφερθέντα στην κατανομή των βαρών των «ταξινομητών» χρησιμοποιώντας μεθόδους από τη πολυκριτήρια ανάλυση.	el
Περίληψη	The need for expert knowledge fusion and it’s use for decision support, is a troubling subject for the modern decision sciences. One of the problems the experts face during the process of decision making is the classification of objects (ex: products, services, conditions etc.) in multiple classes. On the other hand, the «explosion» of data in the modern era , makes the classification of objects a difficult task for experts. To tackle this set of problems, numerous computational models in the field of machine learning have been developed, that simulate the way experts make decisions using empirical data. In the context of classification those models are called «classifiers» . For the post optimization of the decision making process a class of methods have been developed for the fusion of the classifiers which are called «ensemble» methods. One of the common problems in the process of creating an ensemble is defining the distribution of weights of the classifiers. Most of ensemble methods set the classifiers weights based on the classifiers performance or they set equal weights for all the classifiers. Though the classification performance measures show some advantages and disadvantages depending the hypothesis each of them is based on. So the selection of single classification performance measure to define the classifiers weights is not an effective technique. We are going to model such a problem as multicriteria problem, taking into account a set of classification performance measures. The goal of this dissertation is to develop an «ensemble» method that takes into account all of the things mentioned above in the definition of classifiers weights, with the help of multicriteria decision analysis.	en
Τύπος	Διπλωματική Εργασία	el
Τύπος	Diploma Work	en
Άδεια Χρήσης	http://creativecommons.org/licenses/by/4.0/	en
Ημερομηνία	2018-09-14	-
Ημερομηνία Δημοσίευσης	2018	-
Θεματική Κατηγορία	Συνδυασμός ταξινομητών	el
Θεματική Κατηγορία	Unsupervised learning	en
Θεματική Κατηγορία	Μάθηση χωρίς επίβλεψη	el
Θεματική Κατηγορία	Supervised learning	en
Θεματική Κατηγορία	Μάθηση με επίβλεψη	el
Θεματική Κατηγορία	Classifier	en
Θεματική Κατηγορία	Ταξινομητής	el
Θεματική Κατηγορία	Classification	en
Θεματική Κατηγορία	Ταξινόμηση	el
Θεματική Κατηγορία	Machine learning	en
Θεματική Κατηγορία	Μηχανική μάθηση	el
Θεματική Κατηγορία	Artificial intelligence	en
Θεματική Κατηγορία	Τεχνητή νοημοσύνη	el
Θεματική Κατηγορία	Πολυκριτήρια ανάλυση αποφάσεων	el
Θεματική Κατηγορία	Multicriteria decision analysis	en
Θεματική Κατηγορία	MCDA	en
Θεματική Κατηγορία	Ensemble learning	en
Θεματική Κατηγορία	Ensemble	en
Βιβλιογραφική Αναφορά	Θεόδωρος Φλώκος, "Ανάπτυξη πολυκριτήριας μεθοδολογίας υπολογισμού βαρών σε ensemble τεχνικές μηχανικής μάθησης", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2018	el
Βιβλιογραφική Αναφορά	Theodoros Flokos, "Development of multicriteria method for assessing weights in machine learning ensemble models", Diploma Work, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2018	el

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Ανάπτυξη πολυκριτήριας μεθοδολογίας υπολογισμού βαρών σε ensemble τεχνικέςμηχανικής μάθησης

Flokos Theodoros

Διαθέσιμα αρχεία

Υπηρεσίες

Εξαγωγή

Κοινοποίηση

Στατιστικά

Μεταδεδομένων & Περιεχομένου σε METS:

Μεταδεδομένων σε Μορφότυπο: