{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5421351"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5421351","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 and Machine Learning Methods for Classification with Application to Archaeometry","abstract":"Η παρούσα διπλωματική εργασία επικεντρώνεται σε μεθόδους ταξινόμησης που χρησιμοποιούνται στο πλαίσιο της Στατιστικής και της Επιβλεπόμενης Μηχανικής Μάθησης. Η ταξινόμηση αναφέρεται στο πρόβλημα της αντιστοίχισης παρατηρήσεων σε μία από ένα σύνολο προκαθορισμένων κατηγοριών, όπου κάθε παρατήρηση αποτελείται από ένα σύνολο μεταβλητών πρόβλεψης. Η μελέτη εξετάζει τόσο παραγωγικές (generative) όσο και διαχωριστικές (discriminative) μεθόδους, δίνοντας έμφαση στα θεωρητικά τους θεμέλια, τις διαδικασίες εκπαίδευσης και τους μηχανισμούς πρόβλεψης. Οι αλγόριθμοι που αναλύονται περιλαμβάνουν Μπεϋζιανές μεθόδους ταξινόμησης, όπως η Γραμμική Διακρίνουσα Ανάλυση (Linear Discriminant Analysis), η Τετραγωνική Διακρίνουσα Ανάλυση (Quadratic Discriminant Analysis) και ο ταξινομητής Naive Bayes, τον ταξινομητή των k-Κοντινότερων Γειτόνων (k-Nearest Neighbors), καθώς και μεθόδους που βασίζονται σε Δέντρα Απόφασης (Decision Trees) και Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines). Οι βασικοί μηχανισμοί αυτών των τεχνικών ταξινόμησης παρουσιάζονται τόσο από διαισθητική όσο και από θεωρητική σκοπιά. Τέλος, το πρακτικό μέρος αυτής της διπλωματικής εργασίας έχει ως κίνητρο ένα πρόβλημα που προκύπτει από την Αρχαιομετρία. Η προβλεπτική ικανότητα των μεθόδων που αναλύθηκαν αξιολογείται σε ένα αρχαιομετρικό σύνολο δεδομένων, το οποίο περιέχει μετρήσεις γεωχημικών λόγων που ελήφθησαν από δείγματα κεραμικής και πηλού. Επιπλέον, οι μέθοδοι συγκρίνονται μεταξύ τους χρησιμοποιώντας κατάλληλες διαδικασίες επικύρωσης και μέτρα απόδοσης. Τα ευρήματα παρέχουν μια βαθύτερη κατανόηση σχετικά με την ικανότητα των διαφορετικών μεθόδων να διακρίνουν τις δύο κατηγορίες σε ένα πραγματικό πρόβλημα ταξινόμησης.","abstract_html":"Η παρούσα διπλωματική εργασία επικεντρώνεται σε μεθόδους ταξινόμησης που χρησιμοποιούνται στο πλαίσιο της Στατιστικής και της Επιβλεπόμενης Μηχανικής Μάθησης. Η ταξινόμηση αναφέρεται στο πρόβλημα της αντιστοίχισης παρατηρήσεων σε μία από ένα σύνολο προκαθορισμένων κατηγοριών, όπου κάθε παρατήρηση αποτελείται από ένα σύνολο μεταβλητών πρόβλεψης. Η μελέτη εξετάζει τόσο παραγωγικές (generative) όσο και διαχωριστικές (discriminative) μεθόδους, δίνοντας έμφαση στα θεωρητικά τους θεμέλια, τις διαδικασίες εκπαίδευσης και τους μηχανισμούς πρόβλεψης. Οι αλγόριθμοι που αναλύονται περιλαμβάνουν Μπεϋζιανές μεθόδους ταξινόμησης, όπως η Γραμμική Διακρίνουσα Ανάλυση (Linear Discriminant Analysis), η Τετραγωνική Διακρίνουσα Ανάλυση (Quadratic Discriminant Analysis) και ο ταξινομητής Naive Bayes, τον ταξινομητή των k-Κοντινότερων Γειτόνων (k-Nearest Neighbors), καθώς και μεθόδους που βασίζονται σε Δέντρα Απόφασης (Decision Trees) και Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines). Οι βασικοί μηχανισμοί αυτών των τεχνικών ταξινόμησης παρουσιάζονται τόσο από διαισθητική όσο και από θεωρητική σκοπιά. Τέλος, το πρακτικό μέρος αυτής της διπλωματικής εργασίας έχει ως κίνητρο ένα πρόβλημα που προκύπτει από την Αρχαιομετρία. Η προβλεπτική ικανότητα των μεθόδων που αναλύθηκαν αξιολογείται σε ένα αρχαιομετρικό σύνολο δεδομένων, το οποίο περιέχει μετρήσεις γεωχημικών λόγων που ελήφθησαν από δείγματα κεραμικής και πηλού. Επιπλέον, οι μέθοδοι συγκρίνονται μεταξύ τους χρησιμοποιώντας κατάλληλες διαδικασίες επικύρωσης και μέτρα απόδοσης. Τα ευρήματα παρέχουν μια βαθύτερη κατανόηση σχετικά με την ικανότητα των διαφορετικών μεθόδων να διακρίνουν τις δύο κατηγορίες σε ένα πραγματικό πρόβλημα ταξινόμησης.","abstract_has_math":false,"creators":["ΒΙΔΑΛΗ ΕΛΙΣΑΒΕΤ","VIDALI ELISAVET"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:07Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5421351"],"render_values":[{"text":"uoadl:5421351","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5421351","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5421351","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%3A5421351","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΒΙΔΑΛΗ ΕΛΙΣΑΒΕΤ","VIDALI ELISAVET"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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:5421351","https://pergamos.lib.uoa.gr/uoa/dl/object/5421351"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία επικεντρώνεται σε μεθόδους ταξινόμησης που χρησιμοποιούνται στο πλαίσιο της Στατιστικής και της Επιβλεπόμενης Μηχανικής Μάθησης. Η ταξινόμηση αναφέρεται στο πρόβλημα της αντιστοίχισης παρατηρήσεων σε μία από ένα σύνολο προκαθορισμένων κατηγοριών, όπου κάθε παρατήρηση αποτελείται από ένα σύνολο μεταβλητών πρόβλεψης. Η μελέτη εξετάζει τόσο παραγωγικές (generative) όσο και διαχωριστικές (discriminative) μεθόδους, δίνοντας έμφαση στα θεωρητικά τους θεμέλια, τις διαδικασίες εκπαίδευσης και τους μηχανισμούς πρόβλεψης. Οι αλγόριθμοι που αναλύονται περιλαμβάνουν Μπεϋζιανές μεθόδους ταξινόμησης, όπως η Γραμμική Διακρίνουσα Ανάλυση (Linear Discriminant Analysis), η Τετραγωνική Διακρίνουσα Ανάλυση (Quadratic Discriminant Analysis) και ο ταξινομητής Naive Bayes, τον ταξινομητή των k-Κοντινότερων Γειτόνων (k-Nearest Neighbors), καθώς και μεθόδους που βασίζονται σε Δέντρα Απόφασης (Decision Trees) και Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines). Οι βασικοί μηχανισμοί αυτών των τεχνικών ταξινόμησης παρουσιάζονται τόσο από διαισθητική όσο και από θεωρητική σκοπιά. Τέλος, το πρακτικό μέρος αυτής της διπλωματικής εργασίας έχει ως κίνητρο ένα πρόβλημα που προκύπτει από την Αρχαιομετρία. Η προβλεπτική ικανότητα των μεθόδων που αναλύθηκαν αξιολογείται σε ένα αρχαιομετρικό σύνολο δεδομένων, το οποίο περιέχει μετρήσεις γεωχημικών λόγων που ελήφθησαν από δείγματα κεραμικής και πηλού. Επιπλέον, οι μέθοδοι συγκρίνονται μεταξύ τους χρησιμοποιώντας κατάλληλες διαδικασίες επικύρωσης και μέτρα απόδοσης. Τα ευρήματα παρέχουν μια βαθύτερη κατανόηση σχετικά με την ικανότητα των διαφορετικών μεθόδων να διακρίνουν τις δύο κατηγορίες σε ένα πραγματικό πρόβλημα ταξινόμησης.","This thesis focuses on classification methods used within the Statistical and Supervised Machine Learning frameworks. Classification refers to the problem of assigning observations to one of a set of predefined categories, where each observation consists of a set of predictor variables. The study examines both generative and discriminative methods, giving emphasis to their theoretical foundations, training procedures, and prediction mechanisms. The algorithms analyzed include Bayesian classification methods such as Linear Discriminant Analysis, Quadratic Discriminant Analysis, and Naive Bayes classifier, the k-Nearest Neighbors classifier, methods based on Decision Trees and Support Vector Machines. The basic mechanisms of these classification techniques are presented from both an intuitive and a theoretical perspective. Finally, the practical part of this thesis is motivated by a problem arising from Archaeometry. The predictive performance of the methods analyzed is evaluated on an archaeometric dataset containing geochemical ratio measurements obtained from ceramic and clay samples. In addition, the methods are also compared using appropriate validation procedures and performance measures. The findings provide insight into the ability of different methods to distinguish between the two categories in a real-world classification task."]},{"key":"dc:title","label":"Title","values":["Statistical and Machine Learning Methods for Classification with Application to Archaeometry"]}]}],"canonical_facts":{"dc:creator":["ΒΙΔΑΛΗ ΕΛΙΣΑΒΕΤ","VIDALI ELISAVET"],"dc:date":["2026"],"dc:description":["Η παρούσα διπλωματική εργασία επικεντρώνεται σε μεθόδους ταξινόμησης που χρησιμοποιούνται στο πλαίσιο της Στατιστικής και της Επιβλεπόμενης Μηχανικής Μάθησης. Η ταξινόμηση αναφέρεται στο πρόβλημα της αντιστοίχισης παρατηρήσεων σε μία από ένα σύνολο προκαθορισμένων κατηγοριών, όπου κάθε παρατήρηση αποτελείται από ένα σύνολο μεταβλητών πρόβλεψης. Η μελέτη εξετάζει τόσο παραγωγικές (generative) όσο και διαχωριστικές (discriminative) μεθόδους, δίνοντας έμφαση στα θεωρητικά τους θεμέλια, τις διαδικασίες εκπαίδευσης και τους μηχανισμούς πρόβλεψης. Οι αλγόριθμοι που αναλύονται περιλαμβάνουν Μπεϋζιανές μεθόδους ταξινόμησης, όπως η Γραμμική Διακρίνουσα Ανάλυση (Linear Discriminant Analysis), η Τετραγωνική Διακρίνουσα Ανάλυση (Quadratic Discriminant Analysis) και ο ταξινομητής Naive Bayes, τον ταξινομητή των k-Κοντινότερων Γειτόνων (k-Nearest Neighbors), καθώς και μεθόδους που βασίζονται σε Δέντρα Απόφασης (Decision Trees) και Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines). Οι βασικοί μηχανισμοί αυτών των τεχνικών ταξινόμησης παρουσιάζονται τόσο από διαισθητική όσο και από θεωρητική σκοπιά. Τέλος, το πρακτικό μέρος αυτής της διπλωματικής εργασίας έχει ως κίνητρο ένα πρόβλημα που προκύπτει από την Αρχαιομετρία. Η προβλεπτική ικανότητα των μεθόδων που αναλύθηκαν αξιολογείται σε ένα αρχαιομετρικό σύνολο δεδομένων, το οποίο περιέχει μετρήσεις γεωχημικών λόγων που ελήφθησαν από δείγματα κεραμικής και πηλού. Επιπλέον, οι μέθοδοι συγκρίνονται μεταξύ τους χρησιμοποιώντας κατάλληλες διαδικασίες επικύρωσης και μέτρα απόδοσης. Τα ευρήματα παρέχουν μια βαθύτερη κατανόηση σχετικά με την ικανότητα των διαφορετικών μεθόδων να διακρίνουν τις δύο κατηγορίες σε ένα πραγματικό πρόβλημα ταξινόμησης.","This thesis focuses on classification methods used within the Statistical and Supervised Machine Learning frameworks. Classification refers to the problem of assigning observations to one of a set of predefined categories, where each observation consists of a set of predictor variables. The study examines both generative and discriminative methods, giving emphasis to their theoretical foundations, training procedures, and prediction mechanisms. The algorithms analyzed include Bayesian classification methods such as Linear Discriminant Analysis, Quadratic Discriminant Analysis, and Naive Bayes classifier, the k-Nearest Neighbors classifier, methods based on Decision Trees and Support Vector Machines. The basic mechanisms of these classification techniques are presented from both an intuitive and a theoretical perspective. Finally, the practical part of this thesis is motivated by a problem arising from Archaeometry. The predictive performance of the methods analyzed is evaluated on an archaeometric dataset containing geochemical ratio measurements obtained from ceramic and clay samples. In addition, the methods are also compared using appropriate validation procedures and performance measures. The findings provide insight into the ability of different methods to distinguish between the two categories in a real-world classification task."],"dc:identifier":["uoadl:5421351","https://pergamos.lib.uoa.gr/uoa/dl/object/5421351"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Statistical and Machine Learning Methods for Classification with Application to Archaeometry"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:07Z"}