Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Πρόβλεψη & εκτίμηση τιμών ακινήτων με τεχνικές μηχανικής & βαθιάς μάθησης

Sarapanis Ioannis

Απλή Εγγραφή

URIhttp://purl.tuc.gr/dl/dias/D3E1AF62-E89D-4AA1-9AE1-5FD7BF1B7E7D-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.96312-
Γλώσσαel-
Γλώσσαen-
Μέγεθος135 σελίδεςel
Μέγεθος5.2 megabytesen
ΤίτλοςΠρόβλεψη & εκτίμηση τιμών ακινήτων με τεχνικές μηχανικής & βαθιάς μάθησης el
ΤίτλοςPrediction & valuation of real estate prices with machine & deep learning techniques en
ΔημιουργόςSarapanis Ioannisen
ΔημιουργόςΣαραπανης Ιωαννηςel
Συντελεστής [Επιβλέπων Καθηγητής]Karadimas Nikolaosen
Συντελεστής [Επιβλέπων Καθηγητής]Καραδημας Νικολαοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Daras Nikolaosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δαρας Νικολαοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Matsatsinis Nikolaosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ματσατσινης Νικολαοςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
ΕκδότηςΣτρατιωτική Σχολή Ευελπίδωνel
ΕκδότηςHellenic Army Academyen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Production Engineering and Managementen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
ΠερίληψηΤα τελευταία χρόνια, όλο και περισσότερο αναπτύσσεται στην ερευνητική κοινότητα ένα αυξημένο ενδιαφέρον για την προσπάθεια εκτίμησης των τιμών ακινήτων, με διάφορες αναπτυγμένες τεχνικές Machine & Deep Learning. Σε αυτή την διπλωματική εργασία με την αξιοποίηση της επιστήμης της πληροφορικής και συγκεκριμένα της μεθόδου της τεχνητής νοημοσύνης και μηχανικής μάθησης, παρουσιάζεται η διαδικασία σχεδίασης, ανάλυσης και επεξεργασίας μαθηματικών μοντέλων με σκοπό την εκτίμηση αξιών ακινήτων και τελικά στην αξιολόγηση και επιλογή του πιο αξιόπιστου μοντέλου. Πιο συγκεκριμένα, υλοποιούνται διαφορετικά μοντέλα μηχανικής μάθησης, τα οποία εκπαιδεύονται με βάση τα δεδομένα. Η πλειοψηφία των μοντέλων αυτών στηρίζεται σε τεχνικές και αλγορίθμους παλινδρόμησης, όπως είναι η πολλαπλή γραμμική παλινδρόμηση, η οποία αποτελεί τη βάση για την ανάπτυξη πιο σύνθετων και αποδοτικών τεχνικών παλινδρόμησης, όπως είναι η παλινδρόμηση Ridge, η Lasso και η παλινδρόμηση με χρήση της τεχνικής Gradient Boosting. Επίσης, υλοποιήθηκαν μοντέλα που βασίζονται στα Δέντρα Απόφασης, όπως είναι τα Τυχαία Δάση και άλλα μοντέλα όπως τα Νευρωνικά Δίκτυα. Ακολούθως, παρουσιάζονται και αξιολογούνται τα αποτελέσματα της εφαρμογής τους στα δεδομένα εκπαίδευσης και τα δεδομένα ελέγχου. Για αυτό χρησιμοποιήθηκαν δεδομένα από διάσημες διαδικτυακές πλατφόρμες στην Ελλάδα όπως για παράδειγμα xe.gr και spiti360.gr με την βοήθεια των οποίων δίνεται μια σχετική εικόνα της αγοράς ακινήτων. Αναλύονται, στη συνέχεια, τα αποτελέσματα που λάβαμε από τις πλατφόρμες του διαδικτύου και τις μεθόδους που εφαρμόσαμε και αξιολογούνται η ακρίβεια και η καταλληλόλητά τους για το παρόν εγχείρημα. Τέλος, παρουσιάζονται κάποιες συγκρίσεις των αποτελεσμάτων μας με αποτελέσματα αντίστοιχων ερευνών, εντοπίζονται τα σημεία που επιδέχονται βελτίωση στην μεθοδολογία που ακολουθήθηκε και προτείνονται με βάση αυτά κάποιες μελλοντικές προοπτικές έρευνας για τις επόμενες μελέτες.el
ΠερίληψηIn recent years, an increased interest in trying to estimate real estate prices, with various developed Machine & Deep Learning techniques, has increasingly developed in the research community. In this diploma thesis using computer science and specifically the method of artificial intelligence and machine learning, the process of designing, analyzing and processing mathematical models with the estimation of the value of real estate and finally in the evaluation and selection of the most reliable model. More specifically, different machine learning models are implemented, which are trained based on the data. The majority of these models rely on regression techniques and algorithms, such as multiple linear regression, which is the basis for the development of more complex and efficient regression techniques, such as Ridge regression, Lasso, and Gradient regression Boosting. Also, models based on Decision Trees, such as Random Forests and other models such as Neural Networks, were implemented. Subsequently, the results of their application to the training and control data are presented and evaluated. For this were used data from famous online platforms in Greece such as xe.gr and spiti360.gr, with the help of which, a relevant picture of the real estate market is given. The results we obtained from the internet platforms and the methods we applied are then analyzed and their accuracy and appropriateness for the present project are evaluated. Finally, some comparisons of our results with results of corresponding researches are presented, the points that can be improved in the methodology are identified which was followed and some future research perspectives for the next studies are proposed based on them. en
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc-sa/4.0/en
Ημερομηνία2023-07-05-
Ημερομηνία Δημοσίευσης2023-
Θεματική ΚατηγορίαΑκίνηταel
Θεματική ΚατηγορίαΑνάλυση δεδομένων el
Θεματική ΚατηγορίαΒαθιά μάθησηel
Θεματική ΚατηγορίαΜηχανική μάθησηel
Θεματική ΚατηγορίαΤεχνητή νοημοσύνηel
Θεματική ΚατηγορίαReal Estateen
Θεματική ΚατηγορίαData Analysisen
Θεματική ΚατηγορίαDeep learningen
Θεματική ΚατηγορίαMachine learningen
Θεματική ΚατηγορίαArtificial Intelligenceen
Βιβλιογραφική ΑναφοράΙωάννης Σαραπάνης, "Πρόβλεψη & εκτίμηση τιμών ακινήτων με τεχνικές μηχανικής & βαθιάς μάθησης", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Στρατιωτική Σχολή Ευελπίδων, Χανιά, Ελλάς, 2023el
Βιβλιογραφική ΑναφοράIoannis Sarapanis, "Prediction & valuation of real estate prices with machine & deep learning techniques", Master Thesis, School of Production Engineering and Management, Technical University of Crete, Hellenic Army Academy, Chania, Greece, 2023en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά

 

Copyright © DIAS 2013