Πλοήγηση ανά Συγγραφέας "Papadakis, Stelios"

Τώρα δείχνει 1 - 2 of 2
  • Μικρογραφία εικόνας
    Τεκμήριο
    Ανταγωνιστικά νευρωνικά δίκτυα δημιουργίας δεδομένων (GANS) για προβλέψεις σε ελλιπή σύνολα δεδομένων.
    (ΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), ΠΜΣ Διοίκηση και Ψηφιακός Μετασχηματισμός, 2024-06-06) Λασηθιωτάκης, Αντώνιος; Lasithiotakis, Antonios; Παπαδάκης, Στέλιος; Papadakis, Stelios
    Η διπλωματική εργασία επικεντρώνεται στην εφαρμογή Ανταγωνιστικών Νευρωνικών Δικτύων Δημιουργίας Δεδομένων (GANs) για την πρόβλεψη σε ελλιπή σύνολα δεδομένων. Οι GANs αναδεικνύονται ως ισχυρό εργαλείο για τη δημιουργία ρεαλιστικών δεδομένων, ενισχύοντας την ικανότητα των μοντέλων νευρωνικών δικτύων να αντιμετωπίζουν ελλείψεις στα δεδομένα. Η διαδικασία περιλαμβάνει τον καθορισμό του προβλήματος, την προ επεξεργασία των δεδομένων με στόχο τη διαχείριση των ελλείψεων, την επιλογή κατάλληλου μοντέλου GAN, και την εκπαίδευση του για τη δημιουργία επαρκών και ρεαλιστικών δεδομένων. Κατόπιν, τα δημιουργημένα δεδομένα χρησιμοποιούνται για την εκπαίδευση μοντέλων πρόβλεψης, με έμφαση στην αντιμετώπιση των ελλείψεων στα αρχικά σύνολα δεδομένων. Στη συνέχεια, προσδιορίζονται μέτρα αξιολόγησης για την αξιολόγηση της απόδοσης των μοντέλων πρόβλεψης, και παρουσιάζεται το τελικό μοντέλο. Η εργασία αναδεικνύει την αποτελεσματικότητα της χρήσης GANs για τη βελτίωση της προβλεπτικής ικανότητας σε περιβάλλοντα με ελλιπή δεδομένα, ανοίγοντας νέες προοπτικές για την αντιμετώπιση προκλήσεων σε εφαρμογές μηχανικής μάθησης και πρόβλεψης.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Μετα-αξιολόγηση μεγάλων γλωσσικών μοντέλων-LLMS με την χρήση των μεθόδων AHP και FAHP.
    (ΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), ΠΜΣ Διοίκηση και Ψηφιακός Μετασχηματισμός, 2025-06-08) Πιπεράκης, Κυριάκος; Piperakis, Kyriakos; Παπαδάκης, Στέλιος; Papadakis, Stelios
    Η διάδοση και η χρήση των LLMs (Large Language Models-Μεγάλα Γλωσσικά Μοντέλα) σε πολλούς τομείς των επιστημών έχει κεντρίσει των ενδιαφέρον πολλών ερευνητών σχετικά με την απόδοση αυτών και την επιλογή των κατάλληλων μοντέλων ανάλογα με τις εφαρμογές που χρησιμοποιούνται. Στην παρούσα εργασία έγινε μέτρηση και εκτίμηση απόδοσης τριών γνωστών μεγάλων γλωσσικών μοντέλων (Phi, Mistral, Gemma) σύμφωνα με ερώτηση που έχει σχέση με την σύνταξη εντολής της γλώσσας προγραμματισμού Python ('What is the command to print output in Python?') και συγκεκριμένα με την εφαρμογή του Ollama framework (τοπική εκτέλεση LLMs) και την χρήση στατιστικών μεθόδων με την βοήθεια της γλώσσας προγραμματισμού Python . Οι μετρήσεις βασίζονται στον καθορισμό κριτηρίων απόδοσης των LLMs (π.χ. ακρίβεια, ταχύτητα εκτέλεσης κ.ά.) που στην συνέχεια με την χρήση των μεθόδων AHP (Analytical Hierarchy Process- Διαδικασία Αναλυτικής Ιεράρχησης) και FAHP (Fuzzy Analytical Hierarchy Process-Ασαφής Διαδικασία Αναλυτικής Ιεράρχησης) έγινε μετα- αξιολόγηση των μοντέλων με σκοπό την εύρεση του καταλληλότερου μοντέλου για το παράδειγμα μας. Οι μετρήσεις και με τις δύο μεθόδους έδειξαν παρόμοια αποτελέσματα με τα δύο μοντέλα (Phi, Mistral) να υπερτερούν σαφώς σε σχέση με το τρίτο Gemma). Η χρήση περισσότερων ερωτήσεων και περισσότερων κριτηρίων αλλά και ο έλεγχος παραπάνω LLMs μπορεί να αποτελέσει αντικείμενο συνέχειας της έρευνας μας.