Yλοποίηση ενός μοντέλου βαθιάς μηχανικής μάθησης για ένα πρόβλημα στο σχεδιασμό μηχανισμών με χρήση του kubeflow pipelines

Σαμοθράκης, Χαράλαμπος; Samothrakis, Charalampos

dc.contributor.author	Σαμοθράκης, Χαράλαμπος	el
dc.contributor.author	Samothrakis, Charalampos	en
dc.date.accessioned	2022-07-19T10:23:42Z
dc.date.available	2022-07-19T10:23:42Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55411
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23109
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	MLOps	en
dc.subject	Kubeflow pipelines	en
dc.subject	Machine learning pipeline	en
dc.subject	Mechanism design	en
dc.subject	MyersonNet	en
dc.subject	Kubeflow pipelines	en
dc.subject	Σχεδιασμός μηχανισμών	el
dc.subject	Θεωρία δημοπρασιών	el
dc.subject	Υλοποίηση μηχανικής μάθησης	el
dc.subject	Βαθιά μηχανική μάθηση	el
dc.title	Yλοποίηση ενός μοντέλου βαθιάς μηχανικής μάθησης για ένα πρόβλημα στο σχεδιασμό μηχανισμών με χρήση του kubeflow pipelines	el
dc.title	Deploying a Deep Learning Model for a Mechanism Design Problem with the Use of Kubeflow Pipelines	en
heal.type	masterThesis
heal.generalDescription	Υλοποίηση ενός μοντέλου βαθιάς μηχανικής μάθησης (MyersonNet), που προσεγγίζει το πρόβλημα της μεγιστοποίησης κέρδους σε δημοπρασίες πολλαπλών προσφορών ενός αντικειμένου, με χρήση του Kubeflow Pipelines της Google.	el
heal.generalDescription	Deployment of a deep learning model (MyersonNet), that approaches the problem of revenue maximization for multi-bidder single-item auctions, with the use of Google's Kubeflow Pipelines.	en
heal.classification	Machine Learning Operations (MLOps)	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-15
heal.abstract	Η εκτεταμένη χρήση μεθόδων μηχανικής μάθησης στις μέρες μας, συνεπάγεται και την ανάγκη απλούστευσης των διαδικασιών που τις συνθέτουν. Μια ευρέως διαδεδομένη πλατφόρμα υλοποίησης αυτών των διαδικασιών αποτελεί το Kubeflow της Google. Το Kubeflow λειτουργεί πάνω στον Kubernetes, ένα ακόμα πολύ δημοφιλές εργαλείο της Google. Ο τελευταίος ενορχηστρώνει τους Containers που περιέχουν τα ξεχωριστά μέρη τα οποία συνθέτουν την εφαρμογή μηχανικής μάθησης. Επιτυγχάνεται έτσι καλύτερος έλεγχος, φορητότητα και επεκτασιμότητα της εφαρμογής σε ποικίλα περιβάλ λοντα εργασίας. Σκοπός της παρούσας διπλωματικής είναι η υλοποίηση μίας μεθόδου μηχανικής μάθησης μέσω του Kubeflow. Ειδικότερα, ασχολούμαστε με την υλοποίηση ενός μοντέλου βαθιάς μηχανικής μάθησης που προσομοιώνει τη δημοπρασία ενός αντικειμένου και πολλών προσφορών. Η θεωρία πάνω στην οποία βασίζεται η παραπάνω διαδικασία, προέρχεται από το Σχεδιασμό Μηχανισμών της Αλγοριθμικής Θεωρίας Παιγνίων. Το τελικό αποτέλεσμα είναι η δημιουργία ενός pipeline του μοντέλου που μας ενδιαφέρει μέσω του Kubeflow Pipelines. Η εφαρμογή αυτή έχει το πλεονέκτημα του εύκολου πειραματισμού, ενώ επίσης τα βήματα της υλοποίησης μπορούν να ελέγχονται και να επαναπροσδιορίζονται με πολύ απλό τρόπο. Τα παραπάνω φιλοξενούνται σε ένα περιβάλλον διεπαφής που είναι ιδιαίτερα πρακτικό για τον χρήστη.	el
heal.abstract	The extensive use of machine learning methods nowadays, yields an increased demand for the simplification of the processes that such methods incorporate. A popular plat form that facilitates machine learning workflows is Google’s Kubeflow. Kubeflow runs on Kubernetes which is also a widespread Google’s tool that orchestrates Containers. In that way machine learning processes can be implemented in a simple, portable and scalable manner through multiple different environments. The goal of the present diploma thesis is the deployment of a machine learning method on Kubeflow. More specifically, we deploy a deep learning model that simulates a multi-bidder single-item auction. The theoretical background of the model is coming from Mechanism Design which is a part of Algorithmic Game Theory. The end result is the construction of a machine learning pipeline for the model of interest with the use of Kubeflow Pipelines. Our implementation has the advantage of easy experimentation, and additionally, the distinct steps of the process can be tracked and controlled in a very simple way. The above are accommodated in an especially practical user interface.	en
heal.advisorName	Koziris, Nectarios	en
heal.committeeMemberName	Koziris, Nectarios	en
heal.committeeMemberName	Goumas, Georgios	en
heal.committeeMemberName	Konstantinou, Ioannis	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	55 σ.	el
heal.fullTextAvailability	false