{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2967981"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2967981","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Principles of machine learning - Random forests and applications","abstract":"Αυτή η μεταπτυχιακή εργασία εμπεριέχει μια σύντομη εισαγωγή στη θεωρία μηχανικής μάθησης (από μία στατιστική προοπτική), η οποία προσφέρει αυτοματοποιημένες διαδικασίες για την πρόβλεψη ενός φαινομένου βασισμένη σε παρελθοντικές παρατηρήσεις. Τονίζονται οι ομοιότητες και οι διαφορές μεταξύ των παραδοσιακών μοντέλων παλινδρόμησης και εκείνων της μηχανικής μάθησης και δίνονται παραδείγματα σε προσομοιωμένα και πραγματικά δεδομένα. Από τις μεθόδους μηχανικής μάθησης, πέρα από την παλινδρόμηση, αυτή η διπλωματική αναφερει τις μεθόδους που έχουν ως βάση τους τα δένδρα και επικεντρώνεται στα δένδρα αποφάσεων και στις ensemble methods. Οι τελευταίες, συνδυάζουν μερικά βασικά μοντέλα με σκοπό να παράξουν ένα βέλτιστο μοντέλο πρόβλεψης. Από τις ensemble μεθόδους επικεντρωνόμαστε στα τυχαία δάση αντιμετωπίζοντας προβλήματα όπως η υπολογιστική επίδοση και η δυνατότητα κλιμάκωσης μαζί με μια συζήτηση αναφορικά με τις διαδικασίες εφαρμογής τους. Επίσης δίνονται και κάποιες εφαρμογές.","abstract_html":"Αυτή η μεταπτυχιακή εργασία εμπεριέχει μια σύντομη εισαγωγή στη θεωρία μηχανικής μάθησης (από μία στατιστική προοπτική), η οποία προσφέρει αυτοματοποιημένες διαδικασίες για την πρόβλεψη ενός φαινομένου βασισμένη σε παρελθοντικές παρατηρήσεις. Τονίζονται οι ομοιότητες και οι διαφορές μεταξύ των παραδοσιακών μοντέλων παλινδρόμησης και εκείνων της μηχανικής μάθησης και δίνονται παραδείγματα σε προσομοιωμένα και πραγματικά δεδομένα. Από τις μεθόδους μηχανικής μάθησης, πέρα από την παλινδρόμηση, αυτή η διπλωματική αναφερει τις μεθόδους που έχουν ως βάση τους τα δένδρα και επικεντρώνεται στα δένδρα αποφάσεων και στις ensemble methods. Οι τελευταίες, συνδυάζουν μερικά βασικά μοντέλα με σκοπό να παράξουν ένα βέλτιστο μοντέλο πρόβλεψης. Από τις ensemble μεθόδους επικεντρωνόμαστε στα τυχαία δάση αντιμετωπίζοντας προβλήματα όπως η υπολογιστική επίδοση και η δυνατότητα κλιμάκωσης μαζί με μια συζήτηση αναφορικά με τις διαδικασίες εφαρμογής τους. Επίσης δίνονται και κάποιες εφαρμογές.","abstract_has_math":false,"creators":["ΔΕΣΙΠΡΗ ΑΡΕΤΗ ΔΕΣΠΟΙΝΑ"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:44:24Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2967981"],"render_values":[{"text":"uoadl:2967981","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2967981","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2967981","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2967981","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΔΕΣΙΠΡΗ ΑΡΕΤΗ ΔΕΣΠΟΙΝΑ"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2967981","https://pergamos.lib.uoa.gr/uoa/dl/object/2967981"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αυτή η μεταπτυχιακή εργασία εμπεριέχει μια σύντομη εισαγωγή στη θεωρία μηχανικής μάθησης (από μία στατιστική προοπτική), η οποία προσφέρει αυτοματοποιημένες διαδικασίες για την πρόβλεψη ενός φαινομένου βασισμένη σε παρελθοντικές παρατηρήσεις. Τονίζονται οι ομοιότητες και οι διαφορές μεταξύ των παραδοσιακών μοντέλων παλινδρόμησης και εκείνων της μηχανικής μάθησης και δίνονται παραδείγματα σε προσομοιωμένα και πραγματικά δεδομένα. Από τις μεθόδους μηχανικής μάθησης, πέρα από την παλινδρόμηση, αυτή η διπλωματική αναφερει τις μεθόδους που έχουν ως βάση τους τα δένδρα και επικεντρώνεται στα δένδρα αποφάσεων και στις ensemble methods. Οι τελευταίες, συνδυάζουν μερικά βασικά μοντέλα με σκοπό να παράξουν ένα βέλτιστο μοντέλο πρόβλεψης. Από τις ensemble μεθόδους επικεντρωνόμαστε στα τυχαία δάση αντιμετωπίζοντας προβλήματα όπως η υπολογιστική επίδοση και η δυνατότητα κλιμάκωσης μαζί με μια συζήτηση αναφορικά με τις διαδικασίες εφαρμογής τους. Επίσης δίνονται και κάποιες εφαρμογές.","This master thesis gives a brief introduction to the machine learning theory (from a statistics perspective), which offers automated procedures for the prediction of a phenomenon based on past observations. The similarities and the differences between traditional regression methods and machine learning ones are highlighted and examples are given on simulated and real data sets. From the machine learning methods, besides regression, this dissertation addresses the tree-based methods and focuses on decision trees and also on ensemble methods. The latter, combine several base models in order to produce one optimal predictive model. From the ensemble methods we focus on random forests dealing with issues such as computational performance and scalability, along with a discussion of their implementation procedures. Some applications are also given."]},{"key":"dc:title","label":"Title","values":["Principles of machine learning - Random forests and applications"]}]}],"canonical_facts":{"dc:creator":["ΔΕΣΙΠΡΗ ΑΡΕΤΗ ΔΕΣΠΟΙΝΑ"],"dc:date":["2021"],"dc:description":["Αυτή η μεταπτυχιακή εργασία εμπεριέχει μια σύντομη εισαγωγή στη θεωρία μηχανικής μάθησης (από μία στατιστική προοπτική), η οποία προσφέρει αυτοματοποιημένες διαδικασίες για την πρόβλεψη ενός φαινομένου βασισμένη σε παρελθοντικές παρατηρήσεις. Τονίζονται οι ομοιότητες και οι διαφορές μεταξύ των παραδοσιακών μοντέλων παλινδρόμησης και εκείνων της μηχανικής μάθησης και δίνονται παραδείγματα σε προσομοιωμένα και πραγματικά δεδομένα. Από τις μεθόδους μηχανικής μάθησης, πέρα από την παλινδρόμηση, αυτή η διπλωματική αναφερει τις μεθόδους που έχουν ως βάση τους τα δένδρα και επικεντρώνεται στα δένδρα αποφάσεων και στις ensemble methods. Οι τελευταίες, συνδυάζουν μερικά βασικά μοντέλα με σκοπό να παράξουν ένα βέλτιστο μοντέλο πρόβλεψης. Από τις ensemble μεθόδους επικεντρωνόμαστε στα τυχαία δάση αντιμετωπίζοντας προβλήματα όπως η υπολογιστική επίδοση και η δυνατότητα κλιμάκωσης μαζί με μια συζήτηση αναφορικά με τις διαδικασίες εφαρμογής τους. Επίσης δίνονται και κάποιες εφαρμογές.","This master thesis gives a brief introduction to the machine learning theory (from a statistics perspective), which offers automated procedures for the prediction of a phenomenon based on past observations. The similarities and the differences between traditional regression methods and machine learning ones are highlighted and examples are given on simulated and real data sets. From the machine learning methods, besides regression, this dissertation addresses the tree-based methods and focuses on decision trees and also on ensemble methods. The latter, combine several base models in order to produce one optimal predictive model. From the ensemble methods we focus on random forests dealing with issues such as computational performance and scalability, along with a discussion of their implementation procedures. Some applications are also given."],"dc:identifier":["uoadl:2967981","https://pergamos.lib.uoa.gr/uoa/dl/object/2967981"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Principles of machine learning - Random forests and applications"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:44:24Z"}