Λογότυπο αποθετηρίου

Πλοήγηση ανά Επιβλέποντα "Pedeli, Xanthi"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    A comparative study of traditional and machine learning methods for forecasting time series data
    (2025-09-16) Κατάκη, Χριστίνα; Kataki, Christina; Karlis, Dimitrios; Ioannidis, Evangelos; Pedeli, Xanthi
    Η δυνατότητα πρόβλεψης μελλοντικών τάσεων με βάση τα ιστορικά δεδομένα αποτελεί κρίσιμο παράγοντα σε πολλούς τομείς όπως η οικονομία, τα χρηματοοικονομικά, η επιχειρησιακή διαχείριση και το μάρκετινγκ. Για δεκαετίες, τα παραδοσιακά στατιστικά μοντέλα, όπως το μοντέλο εκθετικής εξομάλυνσης ETS (σφάλμα–τάση–εποχικότητα) και το αυτοπαλινδρομικό μοντέλο κινητού μέσου όρου (ARIMA), υπήρξαν τα κυρίαρχα εργαλεία στην πρόβλεψη χρονοσειρών. Η ευρεία χρήση τους οφείλεται στην αξιοπιστία, την απλότητα και την ικανότητά τους να παρέχουν ακριβείς εκτιμήσεις για πληθώρα διαφορετικών τύπων δεδομένων. Ωστόσο, η ραγδαία αύξηση της διαθεσιμότητας και του όγκου των δεδομένων έχει οδηγήσει στην υιοθέτηση προηγμένων τεχνικών μηχανικής μάθησης, οι οποίες πλέον ανταγωνίζονται άμεσα τις παραδοσιακές μεθόδους. Τεχνικές όπως τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNNs) προσφέρουν μη γραμμική μοντελοποίηση, επιτρέποντάς τους να συλλάβουν πολύπλοκα πρότυπα και λεπτομέρειες που μπορεί να διαφύγουν από τα παραδοσιακά στατιστικά μοντέλα. Παρά την αυξανόμενη προσοχή και τις υποσχέσεις που παρουσιάζουν οι μέθοδοι μηχανικής μάθησης, εξακολουθεί να υπάρχει σημαντικό κενό σε άμεσες συγκρίσεις μεταξύ αυτών των τεχνικών και των παραδοσιακών στατιστικών προσεγγίσεων, ιδίως όσον αφορά την ακρίβεια πρόβλεψης και τις υπολογιστικές απαιτήσεις. Αν και η μηχανική μάθηση έχει μεγάλες δυνατότητες, δεν είναι πάντα προφανές εάν μπορεί να υπερτερεί σταθερά των παραδοσιακών μεθόδων, ειδικά σε πρακτικά σενάρια όπου τόσο η ακρίβεια όσο και η αποδοτικότητα είναι απαραίτητες. Με τη σύγκριση της απόδοσης πρόβλεψης παραδοσιακών στατιστικών μοντέλων με διάφορες τεχνικές μηχανικής μάθησης, ο στόχος είναι να διαπιστωθεί πότε και γιατί μία προσέγγιση μπορεί να είναι πιο αποτελεσματική από την άλλη. Η έμφαση δίνεται όχι μόνο στην ακρίβεια των προβλέψεων αλλά και στο υπολογιστικό κόστος αυτών των μεθόδων. Τελικά, θα παρουσιαστεί μία συγκριτική ανάλυση των δυνατών και αδύνατων σημείων τόσο των παραδοσιακών στατιστικών μεθόδων όσο και των τεχνικών μηχανικής μάθησης.