Prediction & valuation of real estate prices with machine & deep learning techniques

Sarapanis Ioannis

URI	http://purl.tuc.gr/dl/dias/D3E1AF62-E89D-4AA1-9AE1-5FD7BF1B7E7D	-
Identifier	https://doi.org/10.26233/heallink.tuc.96312	-
Language	el	-
Language	en	-
Extent	135 σελίδες	el
Extent	5.2 megabytes	en
Title	Πρόβλεψη & εκτίμηση τιμών ακινήτων με τεχνικές μηχανικής & βαθιάς μάθησης	el
Title	Prediction & valuation of real estate prices with machine & deep learning techniques	en
Creator	Sarapanis Ioannis	en
Creator	Σαραπανης Ιωαννης	el
Contributor [Thesis Supervisor]	Karadimas Nikolaos	en
Contributor [Thesis Supervisor]	Καραδημας Νικολαος	el
Contributor [Committee Member]	Daras Nikolaos	en
Contributor [Committee Member]	Δαρας Νικολαος	el
Contributor [Committee Member]	Matsatsinis Nikolaos	en
Contributor [Committee Member]	Ματσατσινης Νικολαος	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Publisher	Στρατιωτική Σχολή Ευελπίδων	el
Publisher	Hellenic Army Academy	en
Academic Unit	Technical University of Crete::School of Production Engineering and Management	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης	el
Content Summary	Τα τελευταία χρόνια, όλο και περισσότερο αναπτύσσεται στην ερευνητική κοινότητα ένα αυξημένο ενδιαφέρον για την προσπάθεια εκτίμησης των τιμών ακινήτων, με διάφορες αναπτυγμένες τεχνικές Machine & Deep Learning. Σε αυτή την διπλωματική εργασία με την αξιοποίηση της επιστήμης της πληροφορικής και συγκεκριμένα της μεθόδου της τεχνητής νοημοσύνης και μηχανικής μάθησης, παρουσιάζεται η διαδικασία σχεδίασης, ανάλυσης και επεξεργασίας μαθηματικών μοντέλων με σκοπό την εκτίμηση αξιών ακινήτων και τελικά στην αξιολόγηση και επιλογή του πιο αξιόπιστου μοντέλου. Πιο συγκεκριμένα, υλοποιούνται διαφορετικά μοντέλα μηχανικής μάθησης, τα οποία εκπαιδεύονται με βάση τα δεδομένα. Η πλειοψηφία των μοντέλων αυτών στηρίζεται σε τεχνικές και αλγορίθμους παλινδρόμησης, όπως είναι η πολλαπλή γραμμική παλινδρόμηση, η οποία αποτελεί τη βάση για την ανάπτυξη πιο σύνθετων και αποδοτικών τεχνικών παλινδρόμησης, όπως είναι η παλινδρόμηση Ridge, η Lasso και η παλινδρόμηση με χρήση της τεχνικής Gradient Boosting. Επίσης, υλοποιήθηκαν μοντέλα που βασίζονται στα Δέντρα Απόφασης, όπως είναι τα Τυχαία Δάση και άλλα μοντέλα όπως τα Νευρωνικά Δίκτυα. Ακολούθως, παρουσιάζονται και αξιολογούνται τα αποτελέσματα της εφαρμογής τους στα δεδομένα εκπαίδευσης και τα δεδομένα ελέγχου. Για αυτό χρησιμοποιήθηκαν δεδομένα από διάσημες διαδικτυακές πλατφόρμες στην Ελλάδα όπως για παράδειγμα xe.gr και spiti360.gr με την βοήθεια των οποίων δίνεται μια σχετική εικόνα της αγοράς ακινήτων. Αναλύονται, στη συνέχεια, τα αποτελέσματα που λάβαμε από τις πλατφόρμες του διαδικτύου και τις μεθόδους που εφαρμόσαμε και αξιολογούνται η ακρίβεια και η καταλληλόλητά τους για το παρόν εγχείρημα. Τέλος, παρουσιάζονται κάποιες συγκρίσεις των αποτελεσμάτων μας με αποτελέσματα αντίστοιχων ερευνών, εντοπίζονται τα σημεία που επιδέχονται βελτίωση στην μεθοδολογία που ακολουθήθηκε και προτείνονται με βάση αυτά κάποιες μελλοντικές προοπτικές έρευνας για τις επόμενες μελέτες.	el
Content Summary	In recent years, an increased interest in trying to estimate real estate prices, with various developed Machine & Deep Learning techniques, has increasingly developed in the research community. In this diploma thesis using computer science and specifically the method of artificial intelligence and machine learning, the process of designing, analyzing and processing mathematical models with the estimation of the value of real estate and finally in the evaluation and selection of the most reliable model. More specifically, different machine learning models are implemented, which are trained based on the data. The majority of these models rely on regression techniques and algorithms, such as multiple linear regression, which is the basis for the development of more complex and efficient regression techniques, such as Ridge regression, Lasso, and Gradient regression Boosting. Also, models based on Decision Trees, such as Random Forests and other models such as Neural Networks, were implemented. Subsequently, the results of their application to the training and control data are presented and evaluated. For this were used data from famous online platforms in Greece such as xe.gr and spiti360.gr, with the help of which, a relevant picture of the real estate market is given. The results we obtained from the internet platforms and the methods we applied are then analyzed and their accuracy and appropriateness for the present project are evaluated. Finally, some comparisons of our results with results of corresponding researches are presented, the points that can be improved in the methodology are identified which was followed and some future research perspectives for the next studies are proposed based on them.	en
Type of Item	Μεταπτυχιακή Διατριβή	el
Type of Item	Master Thesis	en
License	http://creativecommons.org/licenses/by-nc-sa/4.0/	en
Date of Item	2023-07-05	-
Date of Publication	2023	-
Subject	Ακίνητα	el
Subject	Ανάλυση δεδομένων	el
Subject	Βαθιά μάθηση	el
Subject	Μηχανική μάθηση	el
Subject	Τεχνητή νοημοσύνη	el
Subject	Real Estate	en
Subject	Data Analysis	en
Subject	Deep learning	en
Subject	Machine learning	en
Subject	Artificial Intelligence	en
Bibliographic Citation	Ιωάννης Σαραπάνης, "Πρόβλεψη & εκτίμηση τιμών ακινήτων με τεχνικές μηχανικής & βαθιάς μάθησης", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Στρατιωτική Σχολή Ευελπίδων, Χανιά, Ελλάς, 2023	el
Bibliographic Citation	Ioannis Sarapanis, "Prediction & valuation of real estate prices with machine & deep learning techniques", Master Thesis, School of Production Engineering and Management, Technical University of Crete, Hellenic Army Academy, Chania, Greece, 2023	en

Search

Browse

My Space

Prediction & valuation of real estate prices with machine & deep learning techniques

Sarapanis Ioannis

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: