Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

17
Σεπ

Παρουσίαση διπλωματικής εργασίας κ. Φλώκου Θεοδώρου, Σχολή ΜΠΔ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας   ΜΠΔ  
ΤοποθεσίαΔ5 - Κτίριο ΜΠΔ, Δ5.008
Ώρα17/09/2018 11:00 - 12:00

Περιγραφή:
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

Ονοματεπώνυμο: Φλώκος Θεόδωρος
Αριθμός Μητρώου: 2012010013

Θέμα
Τίτλος στα Ελληνικά: Ανάπτυξη πολυκριτήριας μεθοδολογίας
υπολογισμού βαρών σε ensemble τεχνικές
μηχανικής μάθησης
Τίτλος στα Αγγλικα: Development of multicriteria method for assessing
weights in machine learning ensemble models.


Εξεταστική Επιτροπή:
Επιβλέπων: Ματσατσίνης Νικόλαος
Πρώτο Μέλος: Τσαφαράκης Στέλιος
Δεύτερο Μέλος: Γρηγορούδης Ευάγγελος

Περίληψη
Περίληψη της εργασίας στα Ελληνικά:Η ανάγκη για το συνδυασμό της γνώσης των ειδικών και η χρησιμοποίηση αυτής για την υποβοήθηση της λήψης αποφάσεων,
είναι ένα θέμα το οποίο απασχολεί σε μεγάλο βαθμό τη σύγχρονη επιστήμη των αποφάσεων. Ένα από τα προβλήματα που
αντιμετωπίζεται συχνά από τους ειδικούς κατά τη διάρκεια της λήψης αποφάσεων είναι η ταξινόμηση αντικειμένων(πχ
προϊόντων, υπηρεσιών, καταστάσεων κτλ) σε πολλαπλές κατηγορίες.
Από την άλλη μεριά, η «έκρηξη» των δεδομένων στη σημερινή εποχή, καθιστά τη διαδικασία της ταξινόμησης αντικειμένων
ως ένα εξαιρετικά δύσκολο έργο για τους ειδικούς. Για αυτό το λόγο έχουν αναπτυχθεί υπολογιστικά μοντέλα στο τομέα της
μηχανικής μάθησης, τα οποία προσομοιάζουν το τρόπο λήψης αποφάσεων των ειδικών με τη βοήθεια εμπειρικών δεδομένων.
Αυτά τα μοντέλα στην περίπτωση της διαδικασίας της ταξινόμησης αντικειμένων είναι γνωστά ως «ταξινομητές». Με σκοπό
την περαιτέρω βελτιστοποίηση της λήψης αποφάσεων, έχουν αναπτυχθεί τεχνικές για το συνδυασμό των «ταξινομητών», οι
οποίες είναι γνωστές ως «ensemble» τεχνικές. Ένα από τα προβλήματα που παρουσιάζονται στην ανάπτυξη «ensemble»
τεχνικών είναι η ποσοτικοποίηση της συνεισφοράς του κάθε «ταξινομητή» στην τελική απόφαση. Η πλειοψηφία των
διαδεδομένων «ensemble» τεχνικών, είτε αποδίδει ένα «βάρος» σε κάθε «ταξινομητή» ανάλογα με την απόδοση του σε κάποιο
συγκεκριμένο στατιστικό μέτρο ακρίβειας, είτε κάνει την υπόθεση ότι η συνεισφορά όλων των «ταξινομητών» είναι ισότιμη.
Όμως είναι γνωστό ότι τα στατιστικά μέτρα ακρίβειας έχουν πλεονεκτήματα και μειονεκτήματα λόγο των υποθέσεων που
κάνουν. Συνεπώς η επιλογή ενός μόνο στατιστικού μέτρου για την κατανομή των βαρών των «ταξινομητών» δημιουργεί
ελλείψεις στο τρόπο επιλογής των βαρών. Εμείς θα διερευνήσουμε τη δυνατότητα το παραπάνω πρόβλημα να θεωρηθεί ως
ένα πολυκριτήριο πρόβλημα, λαμβάνοντας ως κριτήρια ένα σύνολο από στατιστικά μέτρα ακρίβειας. Σκοπός της παρούσας
διπλωματικής εργασίας είναι ανάπτυξη μιας «ensemble» τεχνικής η οποία θα λαμβάνει υπόψη της τα προαναφερθέντα στην
κατανομή των βαρών των «ταξινομητών» χρησιμοποιώντας μεθόδους από τη πολυκριτήρια ανάλυση

Περίληψη της εργασίας στα Αγγλικά The need for expert knowledge fusion and it’s use for decision support, is a troubling subject for the modern decision sciences.
One of the problems the experts face during the process of decision making is the classification of objects (ex: products,
services, conditions etc.) in multiple classes.
On the other hand, the «explosion» of data in the modern era, makes the classification of objects a difficult task for experts. To
tackle this set of problems, numerous computational models in the field of machine learning have been developed, that
simulate the way experts make decisions using empirical data. In the context of classification those models are called
«classifiers». For the post optimization of the decision making process a class of methods have been developed for the fusion
of the classifiers which are called «ensemble» methods. One of the common problems in the process of creating an ensemble is
defining the distribution of weights of the classifiers. Most of ensemble methods set the classifiers weights based on the
classifiers performance or they set equal weights for all the classifiers. Though the classification performance measures show
some advantages and disadvantages depending the hypothesis each of them is based on. So the selection of single classification
performance measure to define the classifiers weights is not an effective technique. We are going to model such a problem as
multicriteria problem, taking into account a set of classification performance measures. The goal of this dissertation is to
develop an «ensemble» method that takes into account all of the things mentioned above in the definition of classifiers weights,
with the help of multicriteria decision analysis.

Ημερομηνία Εξέτασης
Ημέρα/Μήνας/Έτος:17/9/2018
Ώρα: 11:00

Χώρος Εξέτασης
Αίθουσα: ΕΡΓΑΣΙΑ
Κτίριο: ΜΠΔ
© Πολυτεχνείο Κρήτης 2012