Please use this identifier to cite or link to this item: https://apothesis.eap.gr/handle/repo/41503
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΚΩΤΣΙΑΝΤΗΣ, ΣΩΤΗΡΙΟΣ-
dc.contributor.authorΠΑΡΙΣΣΗΣ, ΗΛΙΑΣ-
dc.date.accessioned2019-08-05T08:26:57Z-
dc.date.available2019-08-05T08:26:57Z-
dc.date.issued2019-07-20-
dc.identifier.urihttps://apothesis.eap.gr/handle/repo/41503-
dc.description.abstractΗ μηχανική μάθηση είναι υποπεδίο της επιστήμης των υπολογιστών για την προσέγγιση προβλημάτων Τεχνητής Νοημοσύνης. Ένα από τα πεδία εφαρμογής της μηχανικής μάθησης είναι η ανάλυση και η πρόβλεψη της πορείας χρονοσειρών. Η πρόβλεψη χρονοσειρών είναι μια πολύ δύσκολη διαδικασία λόγω του τεράστιου αριθμού παραγόντων από τους οποίους εξαρτάται, οι οποίοι τις περισσότερες φορές είναι απροσδιόριστοι, όπως οικονομική, κοινωνικοί κ.α. Αντικείμενο της παρούσας εργασίας είναι η μελέτη και η ανάλυση των σημαντικότερων τεχνικών μηχανικής μάθησης που υπάρχουν αυτήν την στιγμή, χωρίς ωστόσο να εμβαθύνει σε πολλούς μαθηματικούς όρους αλλά να επικεντρώνεται κυρίως στην διαδικασία και στην μεθοδολογία που ακολουθείτε, με σκοπό την πρόβλεψη της πορείας χρονοσειρών καθώς και στην αξιολόγηση των τεχνικών αυτών.el_GR
dc.format.mediumΗλεκτρονικό Αρχείο - Digital Fileel_GR
dc.language.isoΕλληνικά-elel_GR
dc.publisherΕλληνικό Ανοικτό Πανεπιστήμιο / Hellenic Open Universityel_GR
dc.rightsCC0 1.0 Παγκόσμια*
dc.rights.urihttp://creativecommons.org/publicdomain/zero/1.0/*
dc.subjectΧρονοσειράel_GR
dc.subjectTimeseriousel_GR
dc.subjectΜηχανική Μάθησηel_GR
dc.subjectMachine Learningel_GR
dc.subjectταξινόμησηςel_GR
dc.subjectclassificationel_GR
dc.subjectπαλινδρόμησηel_GR
dc.subjectregressionel_GR
dc.subjectWEKAel_GR
dc.subjectWEKAel_GR
dc.subjectβαθιά μάθησηel_GR
dc.subjectdeep learningel_GR
dc.titleΠΡΟΒΛΕΨΗ ΤΙΜΩΝ ΧΡΟΝΟΣΕΙΡΩΝ ΜΕ ΧΡΗΣΗ ΑΛΓΟΡΙΘΜΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣel_GR
dc.typeΠτυχιακή Εργασία / Undergraduate Dissertationel_GR
dc.description.abstractlatinMachine learning is a subfield of computer science to approach Artificial Intelligence problems. One of the fields of application of machine learning is to analyze and predict the course of time series. Time series prediction is a very difficult process due to the huge number of factors that depend on it, which are often undefined, such as economic, social, etc. The aim of the present study is to study and analyze the most important mechanical engineering techniques that exist at this moment, but it does not deepen in many mathematical terms, but mainly focuses on the process and methodology you follow in order to predict time series as well the evaluation of these techniques.el_GR
dc.bibliography.number30el_GR
dc.audienceΠΛΗΡΟΦΟΡΙΚΗ/ΠΛΗ 40el_GR
dc.coverage.pages128el_GR
dc.coverage.references5el_GR
dc.coverage.appendixes3el_GR
dc.description.otherΠεριέχει : πίνακες, διαγράμματα, εικόνεςel_GR
dc.contributor.advisor1ΣΓΑΡΜΠΑΣ, ΚΥΡΙΑΚΟΣ-
dc.contributor.advisor2ΑΝΑΓΝΩΣΤΟΠΟΥΛΟΣ, ΧΡΗΣΤΟΣ-
Appears in Collections:ΠΛΗ40 Πτυχιακές Εργασίες

Files in This Item:
File Description SizeFormat 
std84362-ΠΑΡΙΣΣΗΣ.pdfΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ5.22 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons