{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3419311"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3419311","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"STATISTICAL LEARNING THROUGH BAYESIAN ADDITIVE REGRESSION TREES","abstract":"Μέσα από την τεράστια ποικιλία μεθόδων στατιστικής μάθησης, τα μοντέλα που ενσωματώνουν δυαδικά δέντρα είναι η πιο δημοφιλής επιλογή τόσο σε προβλήματα κατηγοριοποίησης όσο και σε προβλήματα παλινδρόμησης. Τέτοιοι αλγόριθμοι αποτελούν τα Random Forests (Breinman, 2001) και το Stochastic Gradient Boosting (Friedman, 2002). Το ενδιαφέρον στρέφεται στα Bayesian Additive Regression Trees, γνωστά ως BART, μια μη παραμετρική, Μπευζιανή προσέγγιση παλινδρόμησης η οποία διαφοροποιείται από τις προηγούμενες , αφού βασίζεται σε ένα Μπευζιανό μοντέλο πιθανοτήτων και όχι σε έναν καθαρό αλγόριθμο. Η αξιοσημείωτη διαφορά του BART είναι η ανάπτυξη ενός μοντέλου αθροίσματος δέντρων, καθιστώντας το ένα αθροιστικό μοντέλο, όπου κάθε δέντρο περιορίζεται από μια συγκεκριμένη prior προκειμένου να έχει μικρή επίδραση. Πέρα από την συμπερασματολογία που αντλείται από έναν MCMC αλγόριθμο, το BART μπορεί να θεωρηθεί κατάλληλο για την επιλογή και στατισιτκά σημαντικών μεταβλητών. Τέλος, η εφαρμογή του BART έχει δείξει αρκετά θετικά αποτελέσματα σε μια μεγάλη ποικιλία προβλημάτων του πραγματικού κόσμου, όπως η πρόβλεψη χιονοστιβάδων σε ορεινούς δρόμους (Blattenberger and Fowles, 2014) ή ο τρόπος με τον οποίο οι μεταγραφικοί παράγοντες αλληλεπιδρούν με το DNA (Zhou and Liu, 2008).","abstract_html":"Μέσα από την τεράστια ποικιλία μεθόδων στατιστικής μάθησης, τα μοντέλα που ενσωματώνουν δυαδικά δέντρα είναι η πιο δημοφιλής επιλογή τόσο σε προβλήματα κατηγοριοποίησης όσο και σε προβλήματα παλινδρόμησης. Τέτοιοι αλγόριθμοι αποτελούν τα Random Forests (Breinman, 2001) και το Stochastic Gradient Boosting (Friedman, 2002). Το ενδιαφέρον στρέφεται στα Bayesian Additive Regression Trees, γνωστά ως BART, μια μη παραμετρική, Μπευζιανή προσέγγιση παλινδρόμησης η οποία διαφοροποιείται από τις προηγούμενες , αφού βασίζεται σε ένα Μπευζιανό μοντέλο πιθανοτήτων και όχι σε έναν καθαρό αλγόριθμο. Η αξιοσημείωτη διαφορά του BART είναι η ανάπτυξη ενός μοντέλου αθροίσματος δέντρων, καθιστώντας το ένα αθροιστικό μοντέλο, όπου κάθε δέντρο περιορίζεται από μια συγκεκριμένη prior προκειμένου να έχει μικρή επίδραση. Πέρα από την συμπερασματολογία που αντλείται από έναν MCMC αλγόριθμο, το BART μπορεί να θεωρηθεί κατάλληλο για την επιλογή και στατισιτκά σημαντικών μεταβλητών. Τέλος, η εφαρμογή του BART έχει δείξει αρκετά θετικά αποτελέσματα σε μια μεγάλη ποικιλία προβλημάτων του πραγματικού κόσμου, όπως η πρόβλεψη χιονοστιβάδων σε ορεινούς δρόμους (Blattenberger and Fowles, 2014) ή ο τρόπος με τον οποίο οι μεταγραφικοί παράγοντες αλληλεπιδρούν με το DNA (Zhou and Liu, 2008).","abstract_has_math":false,"creators":["Μαυρίκος Μαυρίκιος","Mavrikos Mavrikios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:30:27Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3419311"],"render_values":[{"text":"uoadl:3419311","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419311","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419311","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%3A3419311","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαυρίκος Μαυρίκιος","Mavrikos Mavrikios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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:3419311","https://pergamos.lib.uoa.gr/uoa/dl/object/3419311"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Μέσα από την τεράστια ποικιλία μεθόδων στατιστικής μάθησης, τα μοντέλα που ενσωματώνουν δυαδικά δέντρα είναι η πιο δημοφιλής επιλογή τόσο σε προβλήματα κατηγοριοποίησης όσο και σε προβλήματα παλινδρόμησης. Τέτοιοι αλγόριθμοι αποτελούν τα Random Forests (Breinman, 2001) και το Stochastic Gradient Boosting (Friedman, 2002). Το ενδιαφέρον στρέφεται στα Bayesian Additive Regression Trees, γνωστά ως BART, μια μη παραμετρική, Μπευζιανή προσέγγιση παλινδρόμησης η οποία διαφοροποιείται από τις προηγούμενες , αφού βασίζεται σε ένα Μπευζιανό μοντέλο πιθανοτήτων και όχι σε έναν καθαρό αλγόριθμο. Η αξιοσημείωτη διαφορά του BART είναι η ανάπτυξη ενός μοντέλου αθροίσματος δέντρων, καθιστώντας το ένα αθροιστικό μοντέλο, όπου κάθε δέντρο περιορίζεται από μια συγκεκριμένη prior προκειμένου να έχει μικρή επίδραση. Πέρα από την συμπερασματολογία που αντλείται από έναν MCMC αλγόριθμο, το BART μπορεί να θεωρηθεί κατάλληλο για την επιλογή και στατισιτκά σημαντικών μεταβλητών. Τέλος, η εφαρμογή του BART έχει δείξει αρκετά θετικά αποτελέσματα σε μια μεγάλη ποικιλία προβλημάτων του πραγματικού κόσμου, όπως η πρόβλεψη χιονοστιβάδων σε ορεινούς δρόμους (Blattenberger and Fowles, 2014) ή ο τρόπος με τον οποίο οι μεταγραφικοί παράγοντες αλληλεπιδρούν με το DNA (Zhou and Liu, 2008).","Among the huge variety of statistical learning methods, models incorporating binary trees are the most popular choice in both classification and regression problems. Such algorithms include Random Forests (Breinman, 2001) and Stochastic Gradient Boosting (Friedman, 2002). Interest is turning to Bayesian Additive Regression Trees, known as BART, a nonparametric, Bayesian regression approach which differs from the previous ones, since it is based on a Bayesian probability model rather than a pure algorithm. The notable difference of BART is the development of a sum-of-trees model, making it an additive model where each tree is contributing to the fit but it is also constrained by a specific prior in order to have little effect. Beyond the inference drawn from an MCMC algorithm, BART can be considered suitable for the selection of statistically significant variables as well. Finally, the application of BART has shown quite positive results in a wide variety of real-world problems, such as avalanche prediction on mountain roads (Blattenberger and Fowles, 2014) or the way transcription factors interact with DNA (Zhou and Liu, 2008)."]},{"key":"dc:title","label":"Title","values":["STATISTICAL LEARNING THROUGH BAYESIAN ADDITIVE REGRESSION TREES"]}]}],"canonical_facts":{"dc:creator":["Μαυρίκος Μαυρίκιος","Mavrikos Mavrikios"],"dc:date":["2024"],"dc:description":["Μέσα από την τεράστια ποικιλία μεθόδων στατιστικής μάθησης, τα μοντέλα που ενσωματώνουν δυαδικά δέντρα είναι η πιο δημοφιλής επιλογή τόσο σε προβλήματα κατηγοριοποίησης όσο και σε προβλήματα παλινδρόμησης. Τέτοιοι αλγόριθμοι αποτελούν τα Random Forests (Breinman, 2001) και το Stochastic Gradient Boosting (Friedman, 2002). Το ενδιαφέρον στρέφεται στα Bayesian Additive Regression Trees, γνωστά ως BART, μια μη παραμετρική, Μπευζιανή προσέγγιση παλινδρόμησης η οποία διαφοροποιείται από τις προηγούμενες , αφού βασίζεται σε ένα Μπευζιανό μοντέλο πιθανοτήτων και όχι σε έναν καθαρό αλγόριθμο. Η αξιοσημείωτη διαφορά του BART είναι η ανάπτυξη ενός μοντέλου αθροίσματος δέντρων, καθιστώντας το ένα αθροιστικό μοντέλο, όπου κάθε δέντρο περιορίζεται από μια συγκεκριμένη prior προκειμένου να έχει μικρή επίδραση. Πέρα από την συμπερασματολογία που αντλείται από έναν MCMC αλγόριθμο, το BART μπορεί να θεωρηθεί κατάλληλο για την επιλογή και στατισιτκά σημαντικών μεταβλητών. Τέλος, η εφαρμογή του BART έχει δείξει αρκετά θετικά αποτελέσματα σε μια μεγάλη ποικιλία προβλημάτων του πραγματικού κόσμου, όπως η πρόβλεψη χιονοστιβάδων σε ορεινούς δρόμους (Blattenberger and Fowles, 2014) ή ο τρόπος με τον οποίο οι μεταγραφικοί παράγοντες αλληλεπιδρούν με το DNA (Zhou and Liu, 2008).","Among the huge variety of statistical learning methods, models incorporating binary trees are the most popular choice in both classification and regression problems. Such algorithms include Random Forests (Breinman, 2001) and Stochastic Gradient Boosting (Friedman, 2002). Interest is turning to Bayesian Additive Regression Trees, known as BART, a nonparametric, Bayesian regression approach which differs from the previous ones, since it is based on a Bayesian probability model rather than a pure algorithm. The notable difference of BART is the development of a sum-of-trees model, making it an additive model where each tree is contributing to the fit but it is also constrained by a specific prior in order to have little effect. Beyond the inference drawn from an MCMC algorithm, BART can be considered suitable for the selection of statistically significant variables as well. Finally, the application of BART has shown quite positive results in a wide variety of real-world problems, such as avalanche prediction on mountain roads (Blattenberger and Fowles, 2014) or the way transcription factors interact with DNA (Zhou and Liu, 2008)."],"dc:identifier":["uoadl:3419311","https://pergamos.lib.uoa.gr/uoa/dl/object/3419311"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["STATISTICAL LEARNING THROUGH BAYESIAN ADDITIVE REGRESSION TREES"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:27Z"}