BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20250728T165311Z
LAST-MODIFIED:20250728T165311Z
DTSTAMP:20260612T022816Z
UID:1781220496@tuc.gr
SUMMARY:Παρουσίαση μεταπτυχιακής εργασίας κ.
  ΑΝΤΡΙΑ ΧΡΥΣΑΣ, Σχολή ΜΠΔ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=7973&cHash=a0
 163b80f9f036d7604ad2eaf1af2c36\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Μηχανικών Παρ
 αγωγής και Διοίκησης\n Πρόγραμμα Μετ
 απτυχιακών Σπουδών\n Διοίκηση Επιχει
 ρήσεων\n  \n ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗ
 Σ ΕΡΓΑΣΙΑΣ\n Πέμπτη, 31 Ιουλίου 2025
 , 12:00\n https://tuc-gr.zoom.us/j/8
 4376874961?pwd=WTVEY1RZQzhST0lUcDNuR
 1U5T1M1dz09\n Ονοματεπώνυμο: ΑΝΤΡΙΑ 
 ΧΡΥΣΑ\n Θέμα: Αλγόριθμοι μηχανικής μ
 άθησης για την πρόβλεψη τιμών ενοικί
 ασης καταλυμάτων βραχυχρόνιας μίσθωσ
 ης\n Title: Machine learning algorit
 hms for predicting the prices of sho
 rt term rental properties\n Εξεταστι
 κή Επιτροπή\n \n \nΤΣΑΦΑΡΑΚΗΣ ΣΤΕΛΙΟ
 Σ, Αναπληρωτής Καθηγητής (επιβλέπων)
 \n \nΔΟΥΜΠΟΣ ΜΙΧΑΗΛ, Καθηγητής\n \nΑ
 ΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγ
 ητής\n \n Περίληψη\n Η ραγδαία ανάπτ
 υξη της αγοράς βραχυχρόνιας μίσθωσης
  καταλυμάτων μέσω πλατφορμών όπως το
  Airbnb έχει δημιουργήσει την ανάγκη
  για ακριβέστερη και πιο αξιόπιστη ε
 κτίμηση των τιμών ενοικίασης. Η παρο
 ύσα εργασία διερευνά την εφαρμογή αλ
 γορίθμων μηχανικής μάθησης με στόχο 
 την εκτίμηση της τιμής ενοικίασης κα
 ταλυμάτων βραχυχρόνιας μίσθωσης, με 
 πεδίο μελέτης την περιοχή της Θεσσαλ
 ονίκης. Αρχικά πραγματοποιήθηκε συλλ
 ογή και προεπεξεργασία δεδομένων από
  την πλατφόρμα Inside Airbnb. Στη συ
 νέχεια, αναπτύχθηκαν και αξιολογήθηκ
 αν δύο μοντέλα πρόβλεψης: ένα βασισμ
 ένο στα Τεχνητά Νευρωνικά Δίκτυα και
  ένα στον αλγόριθμο Τυχαία Δάση. Η σ
 ύγκριση των αποτελεσμάτων πραγματοπο
 ιήθηκε μέσω δεικτών απόδοσης όπως ο 
 συντελεστής προσδιορισμού R2 και το 
 Root Mean Squared Error (RMSE). Τα α
 ποτελέσματα έδειξαν ότι ο αλγόριθμος
  Τυχαία Δάση μπορεί να δώσει καλύτερ
 ες εκτιμήσεις καθώς είναι πιο αποδοτ
 ικός με συντελεστή R2 = 0,898 και μέ
 σο σφάλμα RMSE = 13,442. Τα ευρήματα
  καταδεικνύουν τη χρησιμότητα της μη
 χανικής μάθησης ως εργαλείο υποστήρι
 ξης αποφάσεων στην τιμολόγηση ακινήτ
 ων βραχυχρόνιας μίσθωσης. Παράλληλα,
  αναδεικνύονται οι δυνατότητες και ο
 ι προοπτικές εξέλιξης μέσω της ενσωμ
 άτωσης εξωτερικών παραμέτρων και πιο
  σύνθετων αλγορίθμων σε μελλοντικές 
 εφαρμογές.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250731T120000
DTEND:20250731T130000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR