Μπεϋζιανά δίκτυα : μέθοδοι και εφαρμογές

Κουνιός, Γεώργιος

dc.contributor.advisor	Ηλιόπουλος, Γεώργιος
dc.contributor.author	Κουνιός, Γεώργιος
dc.date.accessioned	2024-12-09T12:43:23Z
dc.date.available	2024-12-09T12:43:23Z
dc.date.issued	2024-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17209
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/4632
dc.description.abstract	Τα Μπεϋζιανά δίκτυα (BN) προσφέρουν ένα ισχυρό πλαίσιο για τη μοντελοποίηση και την εξαγωγή συμπερασμάτων για πιθανοτικές σχέσεις, οι οποίες είναι διαδεδομένες σε διάφορες βιομηχανίες και επιστημονικούς τομείς του πραγματικού κόσμου. Η παρούσα διπλωματική εργασία εμβαθύνει στη θεωρία πίσω από τα δίκτυα Bayes, συζητώντας μεθοδολογίες τόσο για τη δομή όσο και για την εκτίμηση των παραμέτρων. Επιπλέον, διερευνά εκτενώς τις λειτουργίες του πακέτου bnlearn, ενός κύριου εργαλείου για την εξαγωγή συμπερασμάτων σε δίκτυα Bayes στην R, μέσω πρακτικών εφαρμογών. Επιπλέον, η διπλωματική εργασία μελέτα κάποιες εφαρμογές από τις άλλες επιστήμες, τις οποίες μπορεί να βοηθήσει για την καλύτερη επεξεργασία αποτελεσμάτων με χρήση του κώδικα στην R. Διερευνά έτσι εναλλακτικές μεθόδους αξιολόγησης για να μετριάσει τον κίνδυνο επιλογής μιας δομής δικτύου με βάση αποκλειστικά τις συναρτήσεις βαθμολογίας, οι οποίες μπορεί να ευνοούν υπερβολικά πολύπλοκες δομές.	el
dc.format.extent	165	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Μπεϋζιανά δίκτυα : μέθοδοι και εφαρμογές	el
dc.title.alternative	Bayesian networks : methods and applications	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	Bayesian networks (BNs) offer a powerful framework for modelling and inferring probabilistic relationships, which are prevalent in various industries and scientific fields in the real world. This thesis delves into the theory behind Bayesian networks, discussing methodologies for both structure and parameter estimation. In addition, it extensively explores the features of the bnlearn package, a main tool for inference in Bayesian networks in R, through practical applications. In addition, the thesis studies some applications from other sciences which can help to better process results using code in R, thus exploring alternative evaluation methods to mitigate the risk of selecting a network structure based solely on score functions, which may favour overly complex structures.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Μπεϋζιανά Δίκτυα	el
dc.subject.keyword	Κατευθυνόμενα γραφικά μοντέλα	el
dc.subject.keyword	Κατευθυνόμενα ακυκλικά γραφήματα	el
dc.subject.keyword	Markov Blanket algorithm	el
dc.subject.keyword	Bayesian information criterion	el
dc.date.defense	2024-09-26

Αρχεία σε αυτό το τεκμήριο

Name:: Kounios_MES21002.pdf
Μέγεθος:: 2.074Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα