Συγκριτική αξιολόγηση τεχνητών νευρωνικών δικτύων και μηχανών διανυσμάτων υποστήριξης για την προσέγγιση της  αποδοτικότητας της περιβάλλουσας ανάλυσης δεδομένων

Γλεντής - Περιστέρης, Αριστοτέλης - Ηλίας

dc.contributor.advisor	Κορωνάκος, Γρηγόριος
dc.contributor.author	Γλεντής - Περιστέρης, Αριστοτέλης - Ηλίας
dc.date.accessioned	2026-09-23T13:41:01Z
dc.date.available	2026-09-23T13:41:01Z
dc.date.issued	2026-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19774
dc.description.abstract	Η περιβάλλουσα ανάλυση δεδομένων (DEA) είναι η πιο γνωστή μη παραμετρική μέθοδος για την αξιολόγηση της απόδοσης ομοιογενών μονάδων. Σε αυτή την διατριβή, αναπτύσσεται μια νέα μέθοδος προσέγγισης της DEA χρησιμοποιώντας μεθόδους μηχανικής μάθησης και πιο συγκεκριμένα, τεχνητά νευρωνικά δίκτυα και μηχανές διανυσμάτων υποστήριξης (Support Vector Machine – SVM) τα οποία επιταχύνουν την διαδικασία αξιολόγησης και ελαχιστοποιούν σημαντικά τον απαιτούμενο υπολογιστικό χρόνο. Πιο συγκεκριμένα, χρησιμοποιούμε τις παραπάνω μεθόδους για να εκτιμήσουν την αποδοτικότητα των μονάδων που δημιουργήθηκαν μέσω της DEA. Επίσης, τα σύνολα που χρησιμοποιούμε για εκπαίδευση και για εξέταση των μεθόδων μηχανικής μάθησης αξιολογούνται πρώτα από τους αλγόριθμους της DEA. Διεξάγονται αρκετά πειράματα τα οποία βασίζονται σε διαφορετικές διαδικασίες παραγωγής δεδομένων με διαφορετικό αριθμό εισροών, εκροών και αριθμό μονάδων. Επίσης, οι βαθμοί αποδοτικότητας των μονάδων των παραπάνω συνόλων ακολουθούν συγκεκριμένες κατανομές και γίνεται κατάλληλός διαχωρισμός των παραπάνω δεδομένων σε συγκεκριμένα διαστήματα. Τα πειραματικά αποτελέσματα δείχνουν ότι τα μοντέλα μηχανικής μάθησης μπορούν να προσεγγίσουν με υψηλή ακρίβεια τους βαθμούς αποδοτικότητας της περιβάλλουσας ανάλυσης. Ωστόσο, προκύπτει ότι οι μηχανές διανυσμάτων υποστήριξης, για όλα τα πλήθη δεδομένων και για όλες τις κατανομές, παρουσιάζουν συνολικά καλύτερη και πιο σταθερή απόδοση σε σχέση με τα τεχνητά νευρωνικά δίκτυα. Επίσης, τα αποτελέσματα που παράχθηκαν από τα μοντέλα μηχανικής μάθησης ικανοποιούν τις ιδιότητες των μοντέλων της DEA. Συμπερασματικά η συγκεκριμένη προσέγγιση μπορεί να χρησιμοποιηθεί σε περιπτώσεις μεγάλης κλίμακας δεδομένων όπου οι παραδοσιακές μέθοδοι DEA καθίστανται χρονοβόρες και μη πρακτικές. Ταυτόχρονα, αφήνει χώρο για μελλοντική έρευνα στον τομέα των δεδομένων μεγάλης κλίμακας, τεχνητά νευρωνικά δίκτυα καθώς και στον χώρο της τεχνητής νοημοσύνης	el
dc.format.extent	88	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	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	Συγκριτική αξιολόγηση τεχνητών νευρωνικών δικτύων και μηχανών διανυσμάτων υποστήριξης για την προσέγγιση της αποδοτικότητας της περιβάλλουσας ανάλυσης δεδομένων	el
dc.title.alternative	A comparative evaluation of artificial neural networks and support vector machines for approximating data envelopment analysis efficiency scores	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	Data Envelopment Analysis (DEA) is the most widely used non-parametric method for evaluating the efficiency of homogeneous decision-making units (DMUs). This thesis proposes a novel DEA approximation framework based on machine learning techniques, specifically Artificial Neural Networks (ANNs) and Support Vector Machines (SVMs), with the objective of accelerating the efficiency evaluation process and reducing computational cost. More specifically, the proposed machine learning models are trained to estimate the efficiency scores generated by DEA. The datasets used for both training and testing are initially evaluated using DEA models, and the resulting efficiency scores serve as target values for the machine learning algorithms. A comprehensive set of experiments is conducted using synthetically generated datasets characterized by different data generation processes, varying numbers of inputs and outputs, and different numbers of decision-making units. Furthermore, the efficiency scores of the generated units follow specific statistical distributions, while the data are appropriately grouped into predefined intervals to ensure balanced representation. The experimental results demonstrate that machine learning models can approximate DEA efficiency scores with a high degree of accuracy. However, the findings indicate that Support Vector Machines consistently achieve superior and more stable performance than Artificial Neural Networks across all examined dataset sizes and distributions. In addition, the efficiency estimations produced by the machine learning models preserve the fundamental properties of the corresponding DEA models. Overall, the proposed approach can be effectively applied to large-scale datasets where traditional DEA methods become computationally expensive and impractical. At the same time, the study provides a foundation for future research in large-scale efficiency analysis, advanced neural network architectures, and broader artificial intelligence applications.	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	Περιβάλλουσα ανάλυση δεδομένων	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Τεχνητά νευρωνικά δίκτυα	el
dc.subject.keyword	Μηχανές διανυσμάτων υποστήριξης	el
dc.subject.keyword	Ανάλυση αποδοτικότητας	el
dc.date.defense	2026-07

Files in this item

Name:
Size:: 9.533Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Πληροφορικής
Department of Informatics

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα