Applied machine learning : methodological framework for multi- criteria selection of algorithms and applications
Year: 2026
Type: dissertation
Abstract: Η παρούσα μεταπτυχιακή διατριβή εξετάζει σε βάθος το πεδίο της Μηχανικής Μάθησης, με πρωταρχικό σκοπό τη δημιουργία ενός δομημένου μεθοδολογικού πλαισίου για την ορθολογική επιλογή και πρακτική εφαρμογή αλγοριθμικών μοντέλων. Ξεφεύγοντας από την απλή θεωρητική βιβλιογραφική ανασκόπηση, η μελέτη υιοθετεί έναν έντονα εκπαιδευτικό χαρακτήρα. Αυτό επιτυγχάνεται αναλύοντας τη λειτουργία των βασικότερων αλγορίθμων (εποπτευόμενης και μη εποπτευόμενης μάθησης) μέσα από ρεαλιστικά σενάρια εφαρμογής. Λαμβάνοντας υπόψη τη θεμελιώδη αρχή ότι κανένα μοντέλο δεν υπερέχει καθολικά για κάθε πιθανό πρόβλημα, ο πυρήνας της εργασίας επικεντρώνεται στον σχεδιασμό ενός συστήματος υποστήριξης αποφάσεων. Συγκεκριμένα, διαμορφώνεται ένας πίνακας πολυκριτήριας αξιολόγησης, ο οποίος τροφοδοτεί ένα δυναμικό διάγραμμα ροής (Decision Flowchart). Τα εργαλεία αυτά καθοδηγούν τον αναλυτή δεδομένων στην τεκμηριωμένη επιλογή του βέλτιστου αλγορίθμου, σταθμίζοντας μετρήσιμους παράγοντες όπως είναι η υπολογιστική ταχύτητα, η διαφάνεια των αποτελεσμάτων (ερμηνευσιμότητα) και η ανθεκτικότητα του συστήματος απέναντι σε θορυβώδη δεδομένα. Προκειμένου να αναδειχθεί η πρακτική αξία αυτού του μεθοδολογικού πλαισίου, η διατριβή εξετάζει την εφαρμογή του σε τρεις κρίσιμους τομείς αιχμής: την ιατρική περίθαλψη, το χρηματοπιστωτικό σύστημα και τη βιομηχανία. Συμπερασματικά, η εργασία αποδεικνύει ότι η επιλογή αλγορίθμου συνιστά έναν διαρκή συμβιβασμό μεταξύ προγνωστικής ακρίβειας, διαθέσιμων πόρων και ανάγκης για επεξηγήσιμες αποφάσεις. Κλείνοντας, προτείνονται σύγχρονες ερευνητικές κατευθύνσεις, με έμφαση στην Επεξηγήσιμη (XAI) και την Πράσινη Τεχνητή Νοημοσύνη (Green AI), την προστασία της ιδιωτικότητας μέσω της Ομόσπονδης Μάθησης (Federated Learning) και την Κβαντική Υπολογιστική.
Source: Dione (University of Piraeus)
Author: Καράτσης, Άγγελος
Language: Greek
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7158430546