Παπαδάκης, ΣτέλιοςPapadakis, SteliosΛασηθιωτάκης, ΑντώνιοςLasithiotakis, Antonios2024-06-062024-06-062024-06-06https://apothesis.hmu.gr/handle/123456789/10993Η 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.The thesis focuses on the application of Generative Generative Neural Networks (GANs) for prediction on incomplete datasets. GANs are emerging as a powerful tool for generating realistic data, enhancing the ability of neural network models to deal with data deficiencies. Τhe process includes defining the problem, pre-processing the data to handle the deficiencies, choosing an appropriate GAN model, and training it to generate sufficient and realistic data. The generated data are then used to train predictive models, with an emphasis on addressing deficiencies in the original datasets Then, evaluation measures are identified to evaluate the performance of the prediction models, and the final model is presented. The work highlights the effectiveness of using GANs to improve predictability in data-poor environments, opening new perspectives to address challenges in machine learning and prediction applications.elAttribution-NonCommercial-NoDerivs 3.0 United Statesβαθιά μάθησηνευρωνικά δίκτυααμφίδρομα γεννητικά ανταγωνιστικά δίκτυα υπό όρουςμεταβλητοί αυτοκωδικοποιητέςdeep learningneural networksbidirectional conditional generative competitive networksvariable autoencodersΜεταπτυχιακή Διατριβή