| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.author | Μακρόπουλος, Ευθύμιος | |
| dc.contributor.author | Makropoulos, Efthymios | |
| dc.date.accessioned | 2022-12-15T10:56:14Z | |
| dc.date.available | 2022-12-15T10:56:14Z | |
| dc.date.issued | 2022-11 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14907 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2329 | |
| dc.description.abstract | Σε αυτήν την ενότητα παρουσιάζεται μια περίληψη της παρούσας εργασίας, καθώς και τα σημαντικά στοιχεία στα οποία βασίστηκε η διεκπεραίωσή της. Η ακόλουθη εργασία επικεντρώνεται στην εξερεύνηση και εξέταση διαφορετικών αλγορίθμων Τεχνητής Νοημοσύνης, οι οποίοι μπορούν να διαχειριστούν τον μετασχηματισμό ενός συνόλου δεδομένων από ένα πρόβλημα υπολογισμού efficiency scores στο πεδίο του Data Envelopment Analysis (DEA). Αρχικά παρουσιάζεται μια εισαγωγική έρευνα στο πεδίο της Τεχνητής Νοημοσύνης, συνεχίζοντας με την παρουσίαση του ερευνητικού πεδίου του Data Envelopment Analysis, ενώ ακολουθούν σχετικές έρευνες που έχουν γίνει και προσπάθησαν να συνδυάσουν το πεδίο έρευνας του DEA με αλγορίθμους Μηχανικής Μάθησης.
Τέλος, αφού παρουσιαστεί ο τρόπος σκέψης πίσω από τον μηχανισμό και ο αλγόριθμος με τον οποίο η παρούσα εργασία θα προσεγγίσει το πρόβλημα, γίνεται η καταγραφή της απόδοσης του μοντέλου που παρουσιάζεται, καθώς και μία σύντομη καταγραφή συμπερασμάτων από το αποτέλεσμα της προσομοίωσης εκτέλεσης αυτού του αλγορίθμου. | el |
| dc.format.extent | 41 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Deep sequence modelling of Data Envelopment Analysis - Based performance measurements | el |
| dc.title.alternative | Ακολουθιακά μοντέλα βαθιάς μάθησης για την εκμάθηση μέτρων αποδοτικότητας βασισμένα στην Περιβάλλουσα Ανάλυση Δεδομένων | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | In this section of the study, a summary of the project and its key areas are presented. The following study is focusing on exploring and proposing different algorithms in the Artificial Intelligence scope that can manipulate and handle the data transformation from a dataset of a Data Envelopment Analysis efficiency scores’ prediction problem, to conclude what are the key elements that make up this score and later to determine whether this kind of scores prediction is possible or not. The project starts with some introduction on the area of the Artificial Intelligence field of Computer Science, continues with a brief presentation of the DEA operations research technique and similar studies that have tried to combine the DEA research together with the Machine Learning sub-field from Artificial Intelligence.
Concluding, having presented the approach on the thinking behind the creation of the model to resolve this Machine Learning problem, the benchmarking of the performance of the model is presented, following by a brief description of the conclusions that were reached from the simulation of this algorithm execution. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | DEA | el |
| dc.subject.keyword | Sequence-to-Sequence | el |
| dc.subject.keyword | Deep learning | el |
| dc.subject.keyword | Neural networks | el |
| dc.date.defense | 2022-11 | |
