Το έργο με τίτλο Βελτιστοποίηση ανάλυσης δεδομένων με χρήση πολυκριτήριων μεθόδων ανάλυσης αποφάσεων και μηχανικής μάθησης από τον/τους δημιουργό/ούς Michail Marios-Alexandros διατίθεται με την άδεια Creative Commons Αναφορά Δημιουργού 4.0 Διεθνές
Βιβλιογραφική Αναφορά
Μάριος-Αλέξανδρος Μιχαήλ, "Βελτιστοποίηση ανάλυσης δεδομένων με χρήση πολυκριτήριων μεθόδων ανάλυσης αποφάσεων και μηχανικής μάθησης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020
https://doi.org/10.26233/heallink.tuc.87811
Στον κόσμο των Μεγάλων Δεδομένων (Big Data), όπου ο όγκος αυτών αυξάνεται με ραγδαίους ρυθμούς, το ερευνητικό ενδιαφέρον επικεντρώνεται στην ανακάλυψη και εφαρμογή νέων και πιο αποτελεσματικών μεθόδων ανάλυσης δεδομένων. Στο πλαίσιο αυτό, διερευνώνται μέθοδοι από πολλούς ερευνητικούς χώρους, όπως η επιχειρησιακή έρευνα (βελτιστοποίηση, πολυκριτήρια ανάλυση, κλπ.), καθώς και νέοι τρόποι εφαρμογής αλλά και συνεργασίας μεθόδων, με την ανάπτυξη νέων ταξινομητών (classifiers) ή συνόλων ταξινομητών (ensemble classifiers). Σκοπός της παρούσας διπλωματικής εργασίας είναι να αναπτυχθεί ένα σύστημα που θα υποστηρίζει την εφαρμογή μεθόδων βελτιστοποίησης στην Ανάλυση Μεγάλων Δεδομένων (Big Data Analysis), συνδυάζοντας τις πολυκριτήριες μεθόδους ανάλυσης αποφάσεων TOPSIS, UTASTAR και UTADIS με μεθόδους μηχανικής μάθησης, όπως η k-means. Αρχικά, συγκεντρώθηκαν σύνολα δεδομένων από το διαδίκτυο (αποθετήριο UCI) και εν συνεχεία ακολούθησαν οι φάσεις προ-επεξεργασίας και διαμόρφωσης των τελικών αρχείων δεδομένων. Στα τελικά αρχεία δεδομένων, εφαρμόστηκαν οι αλγόριθμοι που έχουν υλοποιηθεί στο σύστημα, τόσο μεμονωμένα όσο και σε συνδυασμό, με στόχο την υποστήριξη εξαγωγής γνώσης από δεδομένα σε προβλήματα κατάταξης (ranking) και ταξινόμησης / συσταδοποίησης (classification / clustering) δεδομένων. Τέλος, έγινε αξιολόγηση των αποτελεσμάτων εφαρμογής των ανωτέρω μεθόδων με στόχο την εξαγωγή χρήσιμων συμπερασμάτων και προτάσεων για μελλοντική έρευνα.