{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3360883"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3360883","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη συστημάτων υποστήριξης απόφασης για την πρόβλεψη της εξέλιξης επιδημιών με την χρήση εργαλείων ανοιχτού λογισμικού","abstract":"Η παρούσα διπλωματική εργασία αποσκοπεί στην ανάπτυξη ενός Συστήματος Υποστήριξης Αποφάσεων για την πρόβλεψη της εξέλιξης επιδημιών στην Ελλάδα, χρησιμοποιώντας εργαλεία ανοιχτού λογισμικού. Η μελέτη ερευνά την αποτελεσματικότητα αλγορίθμων βαθιάς μάθησης στην πρόβλεψη της εξάπλωσης της πανδημίας COVID-19. Επικεντρώνεται στην πρόβλεψη της διάδοσης του ιού, της εξάπλωσης της νόσου και της ανάλυσης δεδομένων που σχετίζονται με την επιδημία. Το σύνολο δεδομένων προέρχεται από την OurWorldData.org, μια πηγή με ενημερωμένα δεδομένα για την παγκόσμια πανδημία COVID-19. Η ανάλυση περιορίζεται στην Ελλάδα και καλύπτει δεδομένα από τις αρχές του 2020 έως τον Δεκέμβριο του 2022. Τέσσερις αλγόριθμοι χρησιμοποιούνται για την πρόβλεψη της εξάπλωσης της πανδημίας: Γραμμικής Παλινδρόμησης (Linear Regression) , Αντίστροφης Διάδοσης (Back Propagation ή BP)), Νευρωνικό δίκτυο βραχυπρόθεσμης μνήμης (Long Short-Term Memory ή (LSTM)) και το Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (AutoRegressive Integrated Moving Average ή ARIMA)). Η απόδοση των αλγορίθμων αξιολογείται μετρώντας τη Συσχέτιση (Correlation) , το Μέσο Απόλυτο Σφάλμα (MAE), το Τετραγωνικό Μέσο Σφάλμα (MSE) και την Τετραγωνική Ρίζα του Τετραγωνικού Μέσου Σφάλματος (RMSE). Επίσης, η μελέτη συγκρίνεται με άλλες σχετικές μελέτες οι οποίες επικεντρώνονται σε παρόμοιες αλγοριθμικές μεθόδους ή και την πανδημία COVID-19 σε διαφορετικές χώρες. Τα ευρήματα συντελούν στην κατανόηση των τάσεων των επιδημιών και τη βελτίωση των μεθόδων πρόβλεψης.","abstract_html":"Η παρούσα διπλωματική εργασία αποσκοπεί στην ανάπτυξη ενός Συστήματος Υποστήριξης Αποφάσεων για την πρόβλεψη της εξέλιξης επιδημιών στην Ελλάδα, χρησιμοποιώντας εργαλεία ανοιχτού λογισμικού. Η μελέτη ερευνά την αποτελεσματικότητα αλγορίθμων βαθιάς μάθησης στην πρόβλεψη της εξάπλωσης της πανδημίας COVID-19. Επικεντρώνεται στην πρόβλεψη της διάδοσης του ιού, της εξάπλωσης της νόσου και της ανάλυσης δεδομένων που σχετίζονται με την επιδημία. Το σύνολο δεδομένων προέρχεται από την OurWorldData.org, μια πηγή με ενημερωμένα δεδομένα για την παγκόσμια πανδημία COVID-19. Η ανάλυση περιορίζεται στην Ελλάδα και καλύπτει δεδομένα από τις αρχές του 2020 έως τον Δεκέμβριο του 2022. Τέσσερις αλγόριθμοι χρησιμοποιούνται για την πρόβλεψη της εξάπλωσης της πανδημίας: Γραμμικής Παλινδρόμησης (Linear Regression) , Αντίστροφης Διάδοσης (Back Propagation ή BP)), Νευρωνικό δίκτυο βραχυπρόθεσμης μνήμης (Long Short-Term Memory ή (LSTM)) και το Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (AutoRegressive Integrated Moving Average ή ARIMA)). Η απόδοση των αλγορίθμων αξιολογείται μετρώντας τη Συσχέτιση (Correlation) , το Μέσο Απόλυτο Σφάλμα (MAE), το Τετραγωνικό Μέσο Σφάλμα (MSE) και την Τετραγωνική Ρίζα του Τετραγωνικού Μέσου Σφάλματος (RMSE). Επίσης, η μελέτη συγκρίνεται με άλλες σχετικές μελέτες οι οποίες επικεντρώνονται σε παρόμοιες αλγοριθμικές μεθόδους ή και την πανδημία COVID-19 σε διαφορετικές χώρες. Τα ευρήματα συντελούν στην κατανόηση των τάσεων των επιδημιών και τη βελτίωση των μεθόδων πρόβλεψης.","abstract_has_math":false,"creators":["Παπακωνσταντίνου Μυρτώ","Papakonstantinou Myrto"],"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":"2026-11-19T06:23:53Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3360883"],"render_values":[{"text":"uoadl:3360883","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3360883","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3360883","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%3A3360883","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παπακωνσταντίνου Μυρτώ","Papakonstantinou Myrto"]}]},{"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":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3360883","https://pergamos.lib.uoa.gr/uoa/dl/object/3360883"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία αποσκοπεί στην ανάπτυξη ενός Συστήματος Υποστήριξης Αποφάσεων για την πρόβλεψη της εξέλιξης επιδημιών στην Ελλάδα, χρησιμοποιώντας εργαλεία ανοιχτού λογισμικού. Η μελέτη ερευνά την αποτελεσματικότητα αλγορίθμων βαθιάς μάθησης στην πρόβλεψη της εξάπλωσης της πανδημίας COVID-19. Επικεντρώνεται στην πρόβλεψη της διάδοσης του ιού, της εξάπλωσης της νόσου και της ανάλυσης δεδομένων που σχετίζονται με την επιδημία. Το σύνολο δεδομένων προέρχεται από την OurWorldData.org, μια πηγή με ενημερωμένα δεδομένα για την παγκόσμια πανδημία COVID-19. Η ανάλυση περιορίζεται στην Ελλάδα και καλύπτει δεδομένα από τις αρχές του 2020 έως τον Δεκέμβριο του 2022. Τέσσερις αλγόριθμοι χρησιμοποιούνται για την πρόβλεψη της εξάπλωσης της πανδημίας: Γραμμικής Παλινδρόμησης (Linear Regression) , Αντίστροφης Διάδοσης (Back Propagation ή BP)), Νευρωνικό δίκτυο βραχυπρόθεσμης μνήμης (Long Short-Term Memory ή (LSTM)) και το Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (AutoRegressive Integrated Moving Average ή ARIMA)). Η απόδοση των αλγορίθμων αξιολογείται μετρώντας τη Συσχέτιση (Correlation) , το Μέσο Απόλυτο Σφάλμα (MAE), το Τετραγωνικό Μέσο Σφάλμα (MSE) και την Τετραγωνική Ρίζα του Τετραγωνικού Μέσου Σφάλματος (RMSE). Επίσης, η μελέτη συγκρίνεται με άλλες σχετικές μελέτες οι οποίες επικεντρώνονται σε παρόμοιες αλγοριθμικές μεθόδους ή και την πανδημία COVID-19 σε διαφορετικές χώρες. Τα ευρήματα συντελούν στην κατανόηση των τάσεων των επιδημιών και τη βελτίωση των μεθόδων πρόβλεψης.","This thesis aims to develop a Decision Support System for predicting the evolution of epidemics in Greece using open-source tools. The study investigates the effectiveness of deep learning algorithms in forecasting the spread of the COVID-19 pandemic. It focuses on predicting virus disrsion, and disease propagation, and analyzing data related to the epidemic. The dataset comes from OurWorldData.org, a source for up-to-date global COVID-19 pandemic data. The analysis is limited to Greece and covers data from early 2020 to December 2022. Four algorithms are used to forecast the pandemic's spread: Linear Regression, Back Propagation (BP), Long Short-Term Memory (LSTM), and Auto-Regressive Integrated Moving Average (ARIMA). Algorithm performance is evaluated using metrics such as correlation, Mean Absolute Error (MAE), Mean Squared Error (MSE), and the Root Mean Squared Error (RMSE). The study also compares with other relevant research focusing on similar algorithms or the COVID-19 pandemic in different countries. This broader context provides insights into how well the chosen algorithms work and their use in pandemic forecasting. The findings contribute to understanding epidemic trends and improving forecasting methods."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη συστημάτων υποστήριξης απόφασης για την πρόβλεψη της εξέλιξης επιδημιών με την χρήση εργαλείων ανοιχτού λογισμικού"]}]}],"canonical_facts":{"dc:creator":["Παπακωνσταντίνου Μυρτώ","Papakonstantinou Myrto"],"dc:date":["2023"],"dc:description":["Η παρούσα διπλωματική εργασία αποσκοπεί στην ανάπτυξη ενός Συστήματος Υποστήριξης Αποφάσεων για την πρόβλεψη της εξέλιξης επιδημιών στην Ελλάδα, χρησιμοποιώντας εργαλεία ανοιχτού λογισμικού. Η μελέτη ερευνά την αποτελεσματικότητα αλγορίθμων βαθιάς μάθησης στην πρόβλεψη της εξάπλωσης της πανδημίας COVID-19. Επικεντρώνεται στην πρόβλεψη της διάδοσης του ιού, της εξάπλωσης της νόσου και της ανάλυσης δεδομένων που σχετίζονται με την επιδημία. Το σύνολο δεδομένων προέρχεται από την OurWorldData.org, μια πηγή με ενημερωμένα δεδομένα για την παγκόσμια πανδημία COVID-19. Η ανάλυση περιορίζεται στην Ελλάδα και καλύπτει δεδομένα από τις αρχές του 2020 έως τον Δεκέμβριο του 2022. Τέσσερις αλγόριθμοι χρησιμοποιούνται για την πρόβλεψη της εξάπλωσης της πανδημίας: Γραμμικής Παλινδρόμησης (Linear Regression) , Αντίστροφης Διάδοσης (Back Propagation ή BP)), Νευρωνικό δίκτυο βραχυπρόθεσμης μνήμης (Long Short-Term Memory ή (LSTM)) και το Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (AutoRegressive Integrated Moving Average ή ARIMA)). Η απόδοση των αλγορίθμων αξιολογείται μετρώντας τη Συσχέτιση (Correlation) , το Μέσο Απόλυτο Σφάλμα (MAE), το Τετραγωνικό Μέσο Σφάλμα (MSE) και την Τετραγωνική Ρίζα του Τετραγωνικού Μέσου Σφάλματος (RMSE). Επίσης, η μελέτη συγκρίνεται με άλλες σχετικές μελέτες οι οποίες επικεντρώνονται σε παρόμοιες αλγοριθμικές μεθόδους ή και την πανδημία COVID-19 σε διαφορετικές χώρες. Τα ευρήματα συντελούν στην κατανόηση των τάσεων των επιδημιών και τη βελτίωση των μεθόδων πρόβλεψης.","This thesis aims to develop a Decision Support System for predicting the evolution of epidemics in Greece using open-source tools. The study investigates the effectiveness of deep learning algorithms in forecasting the spread of the COVID-19 pandemic. It focuses on predicting virus disrsion, and disease propagation, and analyzing data related to the epidemic. The dataset comes from OurWorldData.org, a source for up-to-date global COVID-19 pandemic data. The analysis is limited to Greece and covers data from early 2020 to December 2022. Four algorithms are used to forecast the pandemic's spread: Linear Regression, Back Propagation (BP), Long Short-Term Memory (LSTM), and Auto-Regressive Integrated Moving Average (ARIMA). Algorithm performance is evaluated using metrics such as correlation, Mean Absolute Error (MAE), Mean Squared Error (MSE), and the Root Mean Squared Error (RMSE). The study also compares with other relevant research focusing on similar algorithms or the COVID-19 pandemic in different countries. This broader context provides insights into how well the chosen algorithms work and their use in pandemic forecasting. The findings contribute to understanding epidemic trends and improving forecasting methods."],"dc:identifier":["uoadl:3360883","https://pergamos.lib.uoa.gr/uoa/dl/object/3360883"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Ανάπτυξη συστημάτων υποστήριξης απόφασης για την πρόβλεψη της εξέλιξης επιδημιών με την χρήση εργαλείων ανοιχτού λογισμικού"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:53Z"}