dc.contributor.author |
Φικάρδος, Ματθαίος
|
el |
dc.contributor.author |
Fikardos, Matthaios
|
en |
dc.date.accessioned |
2021-09-02T07:19:40Z |
|
dc.date.available |
2021-09-02T07:19:40Z |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/53773 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.21471 |
|
dc.rights |
Default License |
|
dc.subject |
Τεχνητή νοημοσύνη |
el |
dc.subject |
Ενισχυτική μάθηση |
el |
dc.subject |
Βαθιά ενισχυτική μάθηση |
el |
dc.subject |
Λήψη αποφάσεων |
el |
dc.subject |
Ενισχυτική μάθηση |
el |
dc.subject |
Reinforcement learning |
en |
dc.subject |
Decision-Making |
en |
dc.subject |
Deep reinforcement learning |
en |
dc.subject |
DQN |
en |
dc.subject |
Artificial intelligent |
en |
dc.title |
Μοντελοποίηση επιχειρηματικών αποφάσεων με χρήση βαθιάς ενισχυτικής μάθησης |
el |
heal.type |
bachelorThesis |
|
heal.classification |
Λήψη αποφάσεων με ενισχυτική μάθηση |
el |
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2021-07-19 |
|
heal.abstract |
Τα τελευταία χρόνια υπάρχει μια μεγάλη έξαρση στο επιστημονικό πεδίο της Μηχανικής Μάθησης, όπου καθημερινά παρατηρούνται καινοτομίες. Η χρήση της Μηχανικής μάθησης έχει γίνει δεδομένη σε πάρα πολλούς τομείς από Ιατρική και όραση υπολογιστών μέχρι συστήματα συστάσεων και παιχνίδια. Ακόμη στον τομέα των επιχειρήσεων όλο και περισσότερες επιχειρήσεις χρησιμοποιούν την μηχανική μάθηση για την βελτιστοποίηση και διεκπεραίωση των εργασιών τους και την λήψη αποφάσεων.
Στα πλαίσια αυτής της διπλωματικής εργασίας, μελετάται η μοντελοποίηση της διαδικασίας λήψης αποφάσεων σε επιχειρησιακό περιβάλλον με την χρήση βαθιάς ενισχυτικής μάθησης. Συγκεκριμένα έγινε μοντελοποίηση της διαδικασίας λήψης απόφασης σε περιβάλλον όπου μπορούν να εφαρμοστούν διάφοροι αλγόριθμοι ενισχυτικής μάθησης, το οποίο προσαρμόζεται δυναμικά ανάλογα με το συγκεκριμένο πρόβλημα για το οποίο καλείται η ενισχυτική μάθηση να επιλύσει. Για την αξιολόγηση του μοντέλου που κατασκευάσαμε χρησιμοποιήσαμε αλγόριθμους ενισχυτικής μάθησης (Deep Q-learning) όπου εκπαιδεύσαμε έναν πράκτορα για την επίλυση του προβλήματος λήψης απόφασης. Ακόμη εκτελέστηκαν πειράματα αλλάζοντας τις παραμέτρους του μοντέλου έτσι ώστε να προσομοιώσει διαφορετικά σενάρια εφαρμογής, προκειμένου να παρατηρήσουμε την συμπεριφορά της προτεινόμενης προσέγγισης. |
el |
heal.advisorName |
Μέντζας, Γρηγόρης |
el |
heal.committeeMemberName |
Μέντζας, Γρηγόρης |
el |
heal.committeeMemberName |
Δούκας, Χάρης |
el |
heal.committeeMemberName |
Ασκούνης, Δημήτριος |
el |
heal.academicPublisher |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
87 σ. |
el |
heal.fullTextAvailability |
false |
|