Προδιαγραφική Αναλυτική Δεδομένων με Διαδραστική Ενισχυτική Μάθηση στη Λήψη Αποφάσεων

Λεπενιώτη, Αικατερίνη; Lepenioti, Katerina

dc.contributor.author	Λεπενιώτη, Αικατερίνη	el
dc.contributor.author	Lepenioti, Katerina	en
dc.date.accessioned	2023-02-15T08:39:06Z
dc.date.available	2023-02-15T08:39:06Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57137
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24835
dc.rights	Default License
dc.subject	Προδιαγραφική Αναλυτική	el
dc.subject	Prescriptive Analytics	en
dc.subject	Ενισχυτική Μάθηση Πολλαπλών Κριτηρίων	el
dc.subject	Multi-Objective Reinforcement Learning	en
dc.subject	Διαδραστική Ενισχυτική Μάθηση	el
dc.subject	Interactive Reinforcement Learning	en
dc.subject	Λήψη Αποφάσεων	el
dc.subject	Decision Making	en
dc.subject	Επιχειρηματική Αναλυτική	el
dc.subject	Business Analytics	en
dc.title	Προδιαγραφική Αναλυτική Δεδομένων με Διαδραστική Ενισχυτική Μάθηση στη Λήψη Αποφάσεων	el
dc.title	Prescriptive Analytics with Interactive Reinforcement Learning in Decision Making	en
heal.type	doctoralThesis
heal.classification	Προδιαγραφική Αναλυτική	el
heal.classification	Prescriptive Analytics	en
heal.classification	Λήψη Αποφάσεων	el
heal.classification	Decision Making	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-25
heal.abstract	Η προδιαγραφική αναλυτική δεδομένων θεωρείται ως το επόμενο βήμα εξέλιξης και ωρίμανσης της αναλυτικής δεδομένων, η οποία, μέσω της βέλτιστης και έγκαιρης λήψης αποφάσεων, οδηγεί στην βελτιστοποίηση της επιχειρηματικής απόδοσης. Προς αυτήν την κατεύθυνση, η παρούσα διατριβή εστιάζει στην αξιοποίηση των αποτελεσμάτων της προβλεπτικής αναλυτικής σε συνδυασμό με την οδηγούμενη από δεδομένα λήψη αποφάσεων, τους αλγορίθμους μηχανικής μάθησης και τις τεχνολογίες δεδομένων μεγάλης κλίμακας προκειμένου να υποστηρίξει την επίλυση πολύπλοκων προβλημάτων προδιαγραφικής αναλυτικής δεδομένων διαφόρων γνωστικών πεδίων. Για το σκοπό αυτό, διαμορφώνει ένα πλαίσιο προδιαγραφικής αναλυτικής, το οποίο μπορεί να καθοδηγήσει την ανάπτυξη διαφόρων προδιαγραφικών μεθόδων, ικανών να παρέχουν προσαρμόσιμες, αυτοματοποιημένες, περιοριζόμενες, βέλτιστες και έγκαιρες αποφάσεις. Το αναπτυχθέν πλαίσιο πραγματώνεται μέσω της μεθόδου προδιαγραφικής αναλυτικής που αποτελεί την βασική συνεισφορά της παρούσας διατριβής. Η προτεινόμενη μέθοδος βασίζεται στον τομέα της Διαδραστικής Ενισχυτικής Μάθησης Πολλαπλών Κριτηρίων (Interactive Multi-Objective Reinforcement Learning). Μοντελοποιεί δυναμικά το πρόβλημα απόφασης και παράγει βελτιστοποιημένες προτάσεις, λαμβάνοντας υπόψιν περισσότερα από ένα κριτήρια βελτιστοποίησης, ενώ παράλληλα, μέσω της διαδραστικής αλληλεπίδρασης, ενσωματώνει την προτίμηση του αποφασίζοντα στη διαδικασία απόφασης. Ακολούθως, αναπτύσσεται πληροφοριακό σύστημα το οποίο υλοποιεί την προτεινόμενη προσέγγιση. Η προτεινόμενη μέθοδος εφαρμόζεται στο πεδίο των χρηματιστηριακών επενδύσεων. Εκεί, αξιολογείται η απόδοσή της συγκριτικά με παραδοσιακές μεθόδους επενδυτικών αποφάσεων και η προσαρμοστικότητά της σύμφωνα με τις προτιμήσεις του ανθρώπου για διαφορετικά επενδυτικά προφίλ.	el
heal.abstract	Prescriptive analytics is often considered as the next step towards increasing data analytics maturity and leading to optimized decision making ahead of time for business performance improvement. The current thesis focuses on the utilization of the predictive analytics outcomes in combination with the data-driven decision making, machine learning algorithms and big data technologies to support complex prescriptive analytics problems of various domains. To that end, it develops a prescriptive analytics framework that can guide the development of various prescriptive methods. These methods can support decision making by providing adaptive, automated, constrained, optimal, and time-dependent decisions. The proposed framework is realized through the prescriptive analytics method that consists the main contribution of the current thesis. The proposed method employs Interactive Multi-Objective Reinforcement Learning algorithms. It models the decision making problem dynamically and generates optimized decisions, taking into consideration multiple objectives, while at the same time, through interactive interaction, incorporates the decision maker's preference into the decision process. Furthermore, the method has been implemented as an information system. The system has been employed in a stock market case study in order to evaluate the proposed approach’s performance against the traditional stock trading decision methods and its adaptability according to the user’s preference for different trading profiles.	en
heal.advisorName	Μέντζας, Γρηγόριος	el
heal.advisorName	Mentzas, Grigorios	en
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Αποστόλου, Δημήτριος	el
heal.committeeMemberName	Βεργινάδης, Ιωάννης	el
heal.committeeMemberName	Τσιχριντζής, Γεώργιος	el
heal.committeeMemberName	Δούκας, Χάρης	el
heal.committeeMemberName	Μέντζας, Γρηγόριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false