{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3255067"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3255067","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αξιολόγηση μοντέλων πρόβλεψης Μηχανικής μάθησης με την χρήση των Χρονοσειρών του Bitcoin και του Ethereum","abstract":"Το θέμα της μεταπτυχιακής εργασίας αφορά την αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη τιμών χρονοσειρών καθώς και η σύγκριση αυτών των προβλέψεων με διαφορετικές παραμέτρους. Λόγω της ταχείας ανάπτυξης της επιστήμης και της τεχνολογίας τα τελευταία χρόνια, οι μέθοδοι μηχανικής μάθησης προσφέρουν πολλές δυνατότητες σε πολλούς τομείς, όπως η πρόβλεψη μελλοντικών τιμών χρονοσειρών. Σκοπός αυτής της εργασίας είναι τόσο η θεωρητική όσον αφορά την βαθιά μάθηση όσο και το πρακτικό μέρος αποβλέπει στην αξιολόγηση των μοντέλων πρόβλεψης των δύο τύπων τεχνητών νευρωνικών δικτύων που επιλέχτηκαν. Το πρώτο μέρος της εργασίας περιλαμβάνει το απαιτούμενο θεωρητικό υπόβαθρο, όπως τα βασικά στοιχεία της Μηχανική Μάθησης, των τεχνητών νευρωνικών δικτύων, της βαθιάς μάθησης, των χρονοσειρών και έπειτα αναφέρονται οι βασικές ιδιότητες των κρυπτονομισμάτων. Το δεύτερο και πρακτικό μέρος της εργασίας ασχολείται με την αξιολόγηση των δύο τεχνητών νευρωνικών δικτύων που χρησιμοποιήθηκαν για την πρόβλεψη των τιμών δύο ευρέως γνωστών κρυπτονομισμάτων (Bitcoin, Ethereum). Εκπαιδεύοντας και χρησιμοποιώντας τα βαθιά νευρωνικά δίκτυα (DNN) και τα δίκτυα μακροπρόθεσμης μνήμης (LSTM), προβλέφθηκαν οι μελλοντικές τιμές των χρονοσειρών του Bitcoin και του Εthereum και αυτές οι προβλέψεις συγκρίθηκαν αλλάζοντας την τοπολογία των δικτύων. Ταυτόχρονα, οι προβλέψεις συγκρίνονται μεταξύ τούς λαμβάνοντας υπόψη τις διαφορετικές μεθόδους εκπαίδευσης (διαφόριση και μη διαφόριση χρονοσειρών) που χρησιμοποιήθηκαν. Τέλος, οι συγκρίσεις σχετικά με την απόδοση των μοντέλων πρόβλεψης γίνεται με βάση συγκεκριμένες μετρικές (RMSE,MSE,MAE κλπ.) και μέσω ενός συστήματος κατάταξης (Score Card) από το οποίο προκύπτουν χρήσιμα συμπεράσματα.","abstract_html":"Το θέμα της μεταπτυχιακής εργασίας αφορά την αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη τιμών χρονοσειρών καθώς και η σύγκριση αυτών των προβλέψεων με διαφορετικές παραμέτρους. Λόγω της ταχείας ανάπτυξης της επιστήμης και της τεχνολογίας τα τελευταία χρόνια, οι μέθοδοι μηχανικής μάθησης προσφέρουν πολλές δυνατότητες σε πολλούς τομείς, όπως η πρόβλεψη μελλοντικών τιμών χρονοσειρών. Σκοπός αυτής της εργασίας είναι τόσο η θεωρητική όσον αφορά την βαθιά μάθηση όσο και το πρακτικό μέρος αποβλέπει στην αξιολόγηση των μοντέλων πρόβλεψης των δύο τύπων τεχνητών νευρωνικών δικτύων που επιλέχτηκαν. Το πρώτο μέρος της εργασίας περιλαμβάνει το απαιτούμενο θεωρητικό υπόβαθρο, όπως τα βασικά στοιχεία της Μηχανική Μάθησης, των τεχνητών νευρωνικών δικτύων, της βαθιάς μάθησης, των χρονοσειρών και έπειτα αναφέρονται οι βασικές ιδιότητες των κρυπτονομισμάτων. Το δεύτερο και πρακτικό μέρος της εργασίας ασχολείται με την αξιολόγηση των δύο τεχνητών νευρωνικών δικτύων που χρησιμοποιήθηκαν για την πρόβλεψη των τιμών δύο ευρέως γνωστών κρυπτονομισμάτων (Bitcoin, Ethereum). Εκπαιδεύοντας και χρησιμοποιώντας τα βαθιά νευρωνικά δίκτυα (DNN) και τα δίκτυα μακροπρόθεσμης μνήμης (LSTM), προβλέφθηκαν οι μελλοντικές τιμές των χρονοσειρών του Bitcoin και του Εthereum και αυτές οι προβλέψεις συγκρίθηκαν αλλάζοντας την τοπολογία των δικτύων. Ταυτόχρονα, οι προβλέψεις συγκρίνονται μεταξύ τούς λαμβάνοντας υπόψη τις διαφορετικές μεθόδους εκπαίδευσης (διαφόριση και μη διαφόριση χρονοσειρών) που χρησιμοποιήθηκαν. Τέλος, οι συγκρίσεις σχετικά με την απόδοση των μοντέλων πρόβλεψης γίνεται με βάση συγκεκριμένες μετρικές (RMSE,MSE,MAE κλπ.) και μέσω ενός συστήματος κατάταξης (Score Card) από το οποίο προκύπτουν χρήσιμα συμπεράσματα.","abstract_has_math":false,"creators":["Μπαλατσός Παναγιώτης","Balatsos Panagiotis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T06:20:25Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3255067"],"render_values":[{"text":"uoadl:3255067","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3255067","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3255067","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%3A3255067","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπαλατσός Παναγιώτης","Balatsos Panagiotis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"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":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3255067","https://pergamos.lib.uoa.gr/uoa/dl/object/3255067"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Το θέμα της μεταπτυχιακής εργασίας αφορά την αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη τιμών χρονοσειρών καθώς και η σύγκριση αυτών των προβλέψεων με διαφορετικές παραμέτρους. Λόγω της ταχείας ανάπτυξης της επιστήμης και της τεχνολογίας τα τελευταία χρόνια, οι μέθοδοι μηχανικής μάθησης προσφέρουν πολλές δυνατότητες σε πολλούς τομείς, όπως η πρόβλεψη μελλοντικών τιμών χρονοσειρών. Σκοπός αυτής της εργασίας είναι τόσο η θεωρητική όσον αφορά την βαθιά μάθηση όσο και το πρακτικό μέρος αποβλέπει στην αξιολόγηση των μοντέλων πρόβλεψης των δύο τύπων τεχνητών νευρωνικών δικτύων που επιλέχτηκαν. Το πρώτο μέρος της εργασίας περιλαμβάνει το απαιτούμενο θεωρητικό υπόβαθρο, όπως τα βασικά στοιχεία της Μηχανική Μάθησης, των τεχνητών νευρωνικών δικτύων, της βαθιάς μάθησης, των χρονοσειρών και έπειτα αναφέρονται οι βασικές ιδιότητες των κρυπτονομισμάτων. Το δεύτερο και πρακτικό μέρος της εργασίας ασχολείται με την αξιολόγηση των δύο τεχνητών νευρωνικών δικτύων που χρησιμοποιήθηκαν για την πρόβλεψη των τιμών δύο ευρέως γνωστών κρυπτονομισμάτων (Bitcoin, Ethereum). Εκπαιδεύοντας και χρησιμοποιώντας τα βαθιά νευρωνικά δίκτυα (DNN) και τα δίκτυα μακροπρόθεσμης μνήμης (LSTM), προβλέφθηκαν οι μελλοντικές τιμές των χρονοσειρών του Bitcoin και του Εthereum και αυτές οι προβλέψεις συγκρίθηκαν αλλάζοντας την τοπολογία των δικτύων. Ταυτόχρονα, οι προβλέψεις συγκρίνονται μεταξύ τούς λαμβάνοντας υπόψη τις διαφορετικές μεθόδους εκπαίδευσης (διαφόριση και μη διαφόριση χρονοσειρών) που χρησιμοποιήθηκαν. Τέλος, οι συγκρίσεις σχετικά με την απόδοση των μοντέλων πρόβλεψης γίνεται με βάση συγκεκριμένες μετρικές (RMSE,MSE,MAE κλπ.) και μέσω ενός συστήματος κατάταξης (Score Card) από το οποίο προκύπτουν χρήσιμα συμπεράσματα.","The subject of this postgraduate thesis is the study of machine learning methods to predict time series prices of two cryptocurrencies and compare these predictions with different parameters. The aim of this study is to evaluate the reliability and the performance in terms of predictability of two types of Deep learning Artificial Neural Networks ( DNN and LSTM) with the use of time series. The first part of this thesis includes the required theoretical background, such as the basics of machine learning, artificial neural networks, deep learning, time series, and the fundamentals of cryptocurrencies. The second part which is the practical part of this study focuses on the evaluation of the prediction models and the methodology that was applied to train the two types of the artificial neural networks (DNN and LSTM) .The numerical experiments are conducted using two time series from Cryptocurrency space (Bitcoin and Ethereum). In addition, the reliability of the predictions of each artificial Neural Network was evaluated by taking into account the different training methods that were used. Finally, the comparison of the proposed models was made based on specific metrics and through a Ranking system."]},{"key":"dc:title","label":"Title","values":["Αξιολόγηση μοντέλων πρόβλεψης Μηχανικής μάθησης με την χρήση των Χρονοσειρών του Bitcoin και του Ethereum"]}]}],"canonical_facts":{"dc:creator":["Μπαλατσός Παναγιώτης","Balatsos Panagiotis"],"dc:date":["2022"],"dc:description":["Το θέμα της μεταπτυχιακής εργασίας αφορά την αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη τιμών χρονοσειρών καθώς και η σύγκριση αυτών των προβλέψεων με διαφορετικές παραμέτρους. Λόγω της ταχείας ανάπτυξης της επιστήμης και της τεχνολογίας τα τελευταία χρόνια, οι μέθοδοι μηχανικής μάθησης προσφέρουν πολλές δυνατότητες σε πολλούς τομείς, όπως η πρόβλεψη μελλοντικών τιμών χρονοσειρών. Σκοπός αυτής της εργασίας είναι τόσο η θεωρητική όσον αφορά την βαθιά μάθηση όσο και το πρακτικό μέρος αποβλέπει στην αξιολόγηση των μοντέλων πρόβλεψης των δύο τύπων τεχνητών νευρωνικών δικτύων που επιλέχτηκαν. Το πρώτο μέρος της εργασίας περιλαμβάνει το απαιτούμενο θεωρητικό υπόβαθρο, όπως τα βασικά στοιχεία της Μηχανική Μάθησης, των τεχνητών νευρωνικών δικτύων, της βαθιάς μάθησης, των χρονοσειρών και έπειτα αναφέρονται οι βασικές ιδιότητες των κρυπτονομισμάτων. Το δεύτερο και πρακτικό μέρος της εργασίας ασχολείται με την αξιολόγηση των δύο τεχνητών νευρωνικών δικτύων που χρησιμοποιήθηκαν για την πρόβλεψη των τιμών δύο ευρέως γνωστών κρυπτονομισμάτων (Bitcoin, Ethereum). Εκπαιδεύοντας και χρησιμοποιώντας τα βαθιά νευρωνικά δίκτυα (DNN) και τα δίκτυα μακροπρόθεσμης μνήμης (LSTM), προβλέφθηκαν οι μελλοντικές τιμές των χρονοσειρών του Bitcoin και του Εthereum και αυτές οι προβλέψεις συγκρίθηκαν αλλάζοντας την τοπολογία των δικτύων. Ταυτόχρονα, οι προβλέψεις συγκρίνονται μεταξύ τούς λαμβάνοντας υπόψη τις διαφορετικές μεθόδους εκπαίδευσης (διαφόριση και μη διαφόριση χρονοσειρών) που χρησιμοποιήθηκαν. Τέλος, οι συγκρίσεις σχετικά με την απόδοση των μοντέλων πρόβλεψης γίνεται με βάση συγκεκριμένες μετρικές (RMSE,MSE,MAE κλπ.) και μέσω ενός συστήματος κατάταξης (Score Card) από το οποίο προκύπτουν χρήσιμα συμπεράσματα.","The subject of this postgraduate thesis is the study of machine learning methods to predict time series prices of two cryptocurrencies and compare these predictions with different parameters. The aim of this study is to evaluate the reliability and the performance in terms of predictability of two types of Deep learning Artificial Neural Networks ( DNN and LSTM) with the use of time series. The first part of this thesis includes the required theoretical background, such as the basics of machine learning, artificial neural networks, deep learning, time series, and the fundamentals of cryptocurrencies. The second part which is the practical part of this study focuses on the evaluation of the prediction models and the methodology that was applied to train the two types of the artificial neural networks (DNN and LSTM) .The numerical experiments are conducted using two time series from Cryptocurrency space (Bitcoin and Ethereum). In addition, the reliability of the predictions of each artificial Neural Network was evaluated by taking into account the different training methods that were used. Finally, the comparison of the proposed models was made based on specific metrics and through a Ranking system."],"dc:identifier":["uoadl:3255067","https://pergamos.lib.uoa.gr/uoa/dl/object/3255067"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Αξιολόγηση μοντέλων πρόβλεψης Μηχανικής μάθησης με την χρήση των Χρονοσειρών του Bitcoin και του Ethereum"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:20:25Z"}