{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3356103"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3356103","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Mathematical Models and Algorithms for Contextual Multi-armed Bandit Problems","abstract":"Η παρούσα διπλωματική εργασία αναφέρεται σε μια ειδική κατηγορία των προβλημάτων bandit, τα contextual bandits, καθώς και σε αλγορίθμους για προβλήματα εκμάθησης. Τα contextual bandits ανήκουν στον τομέα της ενισχυτικής μάθησης και σε ένα τέτοιο πρόβλημα, ο αλγόριθμος πρέπει να λαμβάνει αποφάσεις για την επιλογή ενεργειών με βάση τα contexts, τα οποία περιλαμβάνουν πληροφορίες για την τρέχουσα κατάσταση του συστήματος και πιθανόν προηγούμενα αποτελέσματα που έχουν συλλεχθεί. Στόχος του αλγορίθμου είναι να μάθει μια πολιτική που, με την πάροδο του χρόνου ,θα επιλέγει ενέργειες με το μεγαλύτερο πιθανό κέρδος. Στην εργασία θα γίνει αναφορά σε βασικές έννοιες, ορισμούς, παραδείγματα και εφαρμογές σχετικά με τα προβλήματα bandit. Αφού αναλυθούν τα κυριότερα αποτελέσματα σχετικά με τα stochastic και τα adversarial bandits, θα εμβαθύνουμε τη διατριβή σε θεωρήματα και αλγορίθμους που αφορούν τα contextual bandits, με έμφαση στον αλγόριθμο Thompson Sampling. Επίσης θα σχεδιαστούν μελέτες προσομοίωσης για την αξιολόγηση των αλγορίθμων Thompson και LinUCB σε διάφορες κατηγορίες προβλημάτων ενισχυτικής μάθησης.","abstract_html":"Η παρούσα διπλωματική εργασία αναφέρεται σε μια ειδική κατηγορία των προβλημάτων bandit, τα contextual bandits, καθώς και σε αλγορίθμους για προβλήματα εκμάθησης. Τα contextual bandits ανήκουν στον τομέα της ενισχυτικής μάθησης και σε ένα τέτοιο πρόβλημα, ο αλγόριθμος πρέπει να λαμβάνει αποφάσεις για την επιλογή ενεργειών με βάση τα contexts, τα οποία περιλαμβάνουν πληροφορίες για την τρέχουσα κατάσταση του συστήματος και πιθανόν προηγούμενα αποτελέσματα που έχουν συλλεχθεί. Στόχος του αλγορίθμου είναι να μάθει μια πολιτική που, με την πάροδο του χρόνου ,θα επιλέγει ενέργειες με το μεγαλύτερο πιθανό κέρδος. Στην εργασία θα γίνει αναφορά σε βασικές έννοιες, ορισμούς, παραδείγματα και εφαρμογές σχετικά με τα προβλήματα bandit. Αφού αναλυθούν τα κυριότερα αποτελέσματα σχετικά με τα stochastic και τα adversarial bandits, θα εμβαθύνουμε τη διατριβή σε θεωρήματα και αλγορίθμους που αφορούν τα contextual bandits, με έμφαση στον αλγόριθμο Thompson Sampling. Επίσης θα σχεδιαστούν μελέτες προσομοίωσης για την αξιολόγηση των αλγορίθμων Thompson και LinUCB σε διάφορες κατηγορίες προβλημάτων ενισχυτικής μάθησης.","abstract_has_math":false,"creators":["Ζάχαρης Δημήτριος","Zacharis Dimitrios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:23:27Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3356103"],"render_values":[{"text":"uoadl:3356103","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3356103","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3356103","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%3A3356103","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ζάχαρης Δημήτριος","Zacharis Dimitrios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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:3356103","https://pergamos.lib.uoa.gr/uoa/dl/object/3356103"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία αναφέρεται σε μια ειδική κατηγορία των προβλημάτων bandit, τα contextual bandits, καθώς και σε αλγορίθμους για προβλήματα εκμάθησης. Τα contextual bandits ανήκουν στον τομέα της ενισχυτικής μάθησης και σε ένα τέτοιο πρόβλημα, ο αλγόριθμος πρέπει να λαμβάνει αποφάσεις για την επιλογή ενεργειών με βάση τα contexts, τα οποία περιλαμβάνουν πληροφορίες για την τρέχουσα κατάσταση του συστήματος και πιθανόν προηγούμενα αποτελέσματα που έχουν συλλεχθεί. Στόχος του αλγορίθμου είναι να μάθει μια πολιτική που, με την πάροδο του χρόνου ,θα επιλέγει ενέργειες με το μεγαλύτερο πιθανό κέρδος. Στην εργασία θα γίνει αναφορά σε βασικές έννοιες, ορισμούς, παραδείγματα και εφαρμογές σχετικά με τα προβλήματα bandit. Αφού αναλυθούν τα κυριότερα αποτελέσματα σχετικά με τα stochastic και τα adversarial bandits, θα εμβαθύνουμε τη διατριβή σε θεωρήματα και αλγορίθμους που αφορούν τα contextual bandits, με έμφαση στον αλγόριθμο Thompson Sampling. Επίσης θα σχεδιαστούν μελέτες προσομοίωσης για την αξιολόγηση των αλγορίθμων Thompson και LinUCB σε διάφορες κατηγορίες προβλημάτων ενισχυτικής μάθησης.","This thesis deals with a special class of bandit problems, contextual bandits, and algorithms for learning problems. Contextual bandits belong to the field of reinforcement learning and in such a problem, the algorithm has to make decisions about actions based on contexts, which include information about the current state of the system and possibly previous results collected. The goal of the algorithm is to learn a policy that, over time, will select actions with the greatest potential payoff. The paper will discuss basic concepts, definitions, examples and applications related to bandit problems. After analyzing the main results on stochastic and adversarial bandits, we will deepen the thesis on theorems and algorithms related to contextual bandits, with a focus on Thompson Sampling algorithm. We will also design simulation studies to evaluate the algorithms Thompson and LinUCB on different classes of reinforcement learning problems."]},{"key":"dc:title","label":"Title","values":["Mathematical Models and Algorithms for Contextual Multi-armed Bandit Problems"]}]}],"canonical_facts":{"dc:creator":["Ζάχαρης Δημήτριος","Zacharis Dimitrios"],"dc:date":["2023"],"dc:description":["Η παρούσα διπλωματική εργασία αναφέρεται σε μια ειδική κατηγορία των προβλημάτων bandit, τα contextual bandits, καθώς και σε αλγορίθμους για προβλήματα εκμάθησης. Τα contextual bandits ανήκουν στον τομέα της ενισχυτικής μάθησης και σε ένα τέτοιο πρόβλημα, ο αλγόριθμος πρέπει να λαμβάνει αποφάσεις για την επιλογή ενεργειών με βάση τα contexts, τα οποία περιλαμβάνουν πληροφορίες για την τρέχουσα κατάσταση του συστήματος και πιθανόν προηγούμενα αποτελέσματα που έχουν συλλεχθεί. Στόχος του αλγορίθμου είναι να μάθει μια πολιτική που, με την πάροδο του χρόνου ,θα επιλέγει ενέργειες με το μεγαλύτερο πιθανό κέρδος. Στην εργασία θα γίνει αναφορά σε βασικές έννοιες, ορισμούς, παραδείγματα και εφαρμογές σχετικά με τα προβλήματα bandit. Αφού αναλυθούν τα κυριότερα αποτελέσματα σχετικά με τα stochastic και τα adversarial bandits, θα εμβαθύνουμε τη διατριβή σε θεωρήματα και αλγορίθμους που αφορούν τα contextual bandits, με έμφαση στον αλγόριθμο Thompson Sampling. Επίσης θα σχεδιαστούν μελέτες προσομοίωσης για την αξιολόγηση των αλγορίθμων Thompson και LinUCB σε διάφορες κατηγορίες προβλημάτων ενισχυτικής μάθησης.","This thesis deals with a special class of bandit problems, contextual bandits, and algorithms for learning problems. Contextual bandits belong to the field of reinforcement learning and in such a problem, the algorithm has to make decisions about actions based on contexts, which include information about the current state of the system and possibly previous results collected. The goal of the algorithm is to learn a policy that, over time, will select actions with the greatest potential payoff. The paper will discuss basic concepts, definitions, examples and applications related to bandit problems. After analyzing the main results on stochastic and adversarial bandits, we will deepen the thesis on theorems and algorithms related to contextual bandits, with a focus on Thompson Sampling algorithm. We will also design simulation studies to evaluate the algorithms Thompson and LinUCB on different classes of reinforcement learning problems."],"dc:identifier":["uoadl:3356103","https://pergamos.lib.uoa.gr/uoa/dl/object/3356103"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Mathematical Models and Algorithms for Contextual Multi-armed Bandit Problems"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:27Z"}