Η κοστολόγηση κατασκευαστικών έργων αποτελεί ένα διαχρονικό πρόβλημα στον κατασκευαστικό κλάδο, με σφάλματα στην κοστολόγηση να επιφέρουν σημαντικές επιπτώσεις για τους εμπλεκόμενους. Πολλές μελέτες έχουν ασχοληθεί με την κατασκευή μοντέλων πρόβλεψης κόστους. Στην βιβλιογραφία εμφανίζονται κυρίως τρεις μέθοδοι: τα Νευρωνικά Δίκτυα, η Πολλαπλή Παλινδρόμηση και η Συλλογιστική των Περιπτώσεων. Σκοπός της εργασίας είναι η κατασκευή μοντέλων πρόβλεψης κόστους ανακαινίσεων με χρήση μεθόδων μηχανικής μάθησης, και η σύγκριση των μεθόδων που χρησιμοποιήθηκαν. Για τον σκοπό αυτό, επιλέχθηκαν οι μέθοδοι των Νευρωνικών Δικτύων και της Πολλαπλής Παλινδρόμησης. Τα δεδομένα αποτελούνται από προσφορές που εκδόθηκαν από κατασκευαστική εταιρεία για την ανακαίνιση 71 κατοικιών στην περιοχή της Αττικής των γύρω περιοχών. Επιλέχθηκαν 42 παράγοντες ως ανεξάρτητες μεταβλητές, και ως εξαρτημένη μεταβλητή επιλέχθηκε το μέγεθος της προσφοράς, χωρίς τις μηχανολογικές εργασίες αλλά μαζί με το εργολαβικό όφελος. Με αυτά τα δεδομένα, κατασκευάστηκε βάση δεδομένων στο Excel, η οποία εισήχθη σε αλγόριθμο κατασκευασμένο στην πλατφόρμα ανάλυσης δεδομένων Orange. Ακολούθησε προεργασία των δεδομένων με πλήρωση κενών τιμών, κανονικοποίησή τους και επιλογή μεταβλητών, και τελικά κατασκευάστηκαν τέσσερα μοντέλα με δύο σετ μεταβλητών. Τα μοντέλα αυτά αξιολογήθηκαν βάσει των σφαλμάτων των προβλέψεών τους και του Συντελεστή Προσδιορισμού τους. Τα μοντέλα Νευρωνικών Δικτύων είχαν υψηλότερη απόδοση από τα μοντέλα Παλινδρόμησης, ωστόσο τα αποτελέσματα ήταν συγκρίσιμα. Κανένα μοντέλο δεν είχε ιδιαίτερα υψηλό Προσαρμογή στα δεδομένα, λόγω τόσο του μικρού μεγέθους της βάσης δεδομένων, όσο και συγκεκριμένων δεδομένων τα οποία παρουσίαζαν μεγάλα σφάλματα. Κρίσιμη για την σωστή λειτουργία των Νευρωνικών Δικτύων αποδείχθηκε η αρχιτεκτονική τους, ενώ παράγοντες όπως τα στοιχεία του τόπου του έργου, η ύπαρξη ασυνήθιστων εργασιών, οι τιμές υλικών και συγκεκριμένες ποσότητες εργασιών αποδείχθηκαν σημαντικοί για τα κόστη. Τέλος, έγινε σχολιασμός τόσο των αποτελεσμάτων της μελέτης όσο και των συμπερασμάτων τα οποία εξήχθησαν από την ανάλυση.

Cost estimation of construction projects is a long-standing problem in the construction industry, with errors in estimation having significant implications for the parties involved. Many studies have focused on developing cost prediction models. In the literature, three main methods are primarily mentioned: Neural Networks, Multiple Regression, and Case-Based Reasoning. The aim of this study is to construct cost prediction models for renovation projects using machine learning methods and compare the employed methods. For this purpose, data consisting of bids issued by a construction company for the renovation of 71 houses in the Attica region and surrounding areas were selected. Forty-two factors were chosen as independent variables, while the bid amount including the profit margin but without the mechanical elements of the projects were selected as the dependent variable. Using this data, a database was constructed in Excel and imported into the Orange data analysis platform. Data preprocessing was performed, including handling missing values, normalization, variable selection, and ultimately, four models were built with two sets of variables. These models were evaluated based on the errors of their predictions and their Coefficient of Determination. The Neural Network models outperformed the Regression models, although the results were comparable. None of the models exhibited a particularly high fit to the data, due to the small size of the database and specific data points that presented large errors. The architecture of the Neural Networks proved critical for their proper functioning, while factors such as project location, the presence of unusual tasks, material costs, and specific quantities of work were found to be significant for costs. Finally, a discussion was provided on both the results of the study and the conclusions drawn from the analysis.