Αξιολόγηση της αποτελεσματικότητας εργαλείων τεχνητής νοημοσύνης στην ανάλυση και πρόβλεψη δεδομένων
| dc.contributor.advisor | Ειρηνάκης, Παύλος | |
| dc.contributor.author | Τάσσου, Κωνσταντίνα | |
| dc.date.accessioned | 2026-07-24T09:31:12Z | |
| dc.date.available | 2026-07-24T09:31:12Z | |
| dc.date.issued | 2026 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19631 | |
| dc.description.abstract | Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η διερεύνηση της αποτελεσματικότητας που παρουσιάζουν τα εργαλεία Τεχνητής Νοημοσύνης (ΤΝ) στο πεδίο της ανάλυσης και πρόβλεψης δεδομένων σε σύγκριση με την εμπειρική ανάλυση. Για τις ανάγκες της πειραματικής διαδικασίας αξιοποιήθηκε το σύνολο δεδομένων «Hotel Booking Demand Dataset», το οποίο απαρτίζεται από πραγματικές ξενοδοχειακές κρατήσεις, με κεντρικό στόχο τη μοντελοποίηση και πρόβλεψη της μεταβλητής του Μέσου Ημερήσιου Εσόδου (Average Daily Rate - ADR). Η ερευνητική προσέγγιση διαρθρώθηκε σε διακριτά μεθοδολογικά στάδια. Αρχικά, πραγματοποιήθηκε ενδελεχής προ-επεξεργασία και εξυγίανση των δεδομένων (data cleaning), η οποία περιλάμβανε τον εντοπισμό και τη διαχείριση ακραίων τιμών (outliers), καθώς και τον κατάλληλο μετασχηματισμό των μεταβλητών για τη διασφάλιση της αξιοπιστίας των αποτελεσμάτων. Στο πλαίσιο της στατιστικής ανάλυσης, εφαρμόστηκαν μοντέλα απλής και πολυπαραγοντικής παλινδρόμησης, προκειμένου να ερμηνευθούν οι προσδιοριστικοί παράγοντες που διαμορφώνουν την τιμολογιακή πολιτική στον ξενοδοχειακό κλάδο. Ιδιαίτερη έμφαση δόθηκε στην τμηματοποίηση των δεδομένων (segmentation), μια στρατηγική που συνέβαλε καθοριστικά στη βελτιστοποίηση της ερμηνευτικής ισχύος και της προβλεπτικής ικανότητας των παραγόμενων μοντέλων. Σε επόμενο στάδιο, η ανάλυση επεκτάθηκε με τη χρήση προηγμένων εργαλείων ΤΝ, και συγκεκριμένα των μοντέλων ChatGPT και Gemini. Η συγκριτική αξιολόγηση των δύο αυτών προσεγγίσεων αποκάλυψε ουσιώδεις διαφοροποιήσεις στη φιλοσοφία επίλυσης: ενώ το ChatGPT προέκρινε τη χρήση γραμμικών μοντέλων με υψηλό βαθμό ερμηνευσιμότητας, το Gemini υιοθέτησε πολυπλοκότερες μη γραμμικές τεχνικές, επιτυγχάνοντας ανώτερες επιδόσεις ως προς την ακρίβεια των προβλέψεων. Συνοψίζοντας, τα αποτελέσματα της εργασίας δείχνουν ότι η επιλογή της μεθοδολογίας εξαρτάται από τον στόχο της ανάλυσης. Τα παραδοσιακά στατιστικά μοντέλα προσφέρουν υψηλή ερμηνευσιμότητα και κατανόηση των δεδομένων, ενώ τα μοντέλα τεχνητής νοημοσύνης επιτυγχάνουν μεγαλύτερη προβλεπτική ακρίβεια. Συνεπώς, προτείνεται ένας υβριδικός συνδυασμός των δύο προσεγγίσεων, ο οποίος μπορεί να αξιοποιηθεί αποτελεσματικά σε περιβάλλοντα λήψης αποφάσεων. | el |
| dc.format.extent | 78 | 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.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Αξιολόγηση της αποτελεσματικότητας εργαλείων τεχνητής νοημοσύνης στην ανάλυση και πρόβλεψη δεδομένων | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Ναυτιλίας και Βιομηχανίας. Tμήμα Βιομηχανικής Διοίκησης και Tεχνολογίας | el |
| dc.description.abstractEN | The objective of this master’s thesis is to investigate the effectiveness of Artificial Intelligence (AI) tools in the field of data analysis and forecasting, as compared to traditional empirical analysis. For the purposes of the experimental process, the "Hotel Booking Demand Dataset"—comprising authentic hotel booking records—was utilized, with the primary goal of modeling and predicting the Average Daily Rate (ADR) variable. The research approach was structured into distinct methodological stages. Initially, thorough data pre-processing and cleaning were performed, involving the identification and management of outliers, as well as the appropriate transformation of variables to ensure the reliability of the results. Within the framework of statistical analysis, simple and multivariate regression models were applied to interpret the determinants that shape pricing policies in the hotel industry. Particular emphasis was placed on data segmentation, a strategy that contributed decisively to optimizing both the explanatory power and the predictive capacity of the generated models. In the subsequent stage, the analysis was extended through the use of advanced AI tools, specifically the ChatGPT and Gemini models. The comparative evaluation of these two approaches revealed fundamental differences in their problem-solving philosophies: while ChatGPT favored the use of linear models with a high degree of interpretability, Gemini adopted more complex non-linear techniques, achieving superior performance in terms of predictive accuracy. In conclusion, the findings of this thesis demonstrate that the choice of methodology depends on the objective of the analysis. Traditional statistical models offer high interpretability and a deeper understanding of the underlying data, whereas Artificial Intelligence models achieve greater predictive precision. Consequently, a hybrid combination of the two approaches is proposed as an effective strategy for decision-making environments. | el |
| dc.contributor.master | Βιομηχανική Διοίκηση και Τεχνολογία | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Προγνωστική αναλυτική | el |
| dc.subject.keyword | Μεγάλα γλωσσικά μοντέλα | el |
| dc.subject.keyword | Ανάλυση παλινδρόμησης | el |
| dc.subject.keyword | Δυναμική τιμολόγηση | el |
| dc.subject.keyword | Ξενοδοχειακές κρατήσεις | el |
| dc.date.defense | 2026-07-08 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Βιομηχανικής Διοίκησης και Τεχνολογίας
Department of Industrial Management and Technology
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα