Προβλεπτική παρακολούθηση επιχειρησιακών διεργασιών με νευρωνικά δίκτυα μακράς και βραχείας μνήμης

Μαλωνάς, Κωνσταντίνος

dc.contributor.advisor	Bousdekis, Alexandros
dc.contributor.author	Μαλωνάς, Κωνσταντίνος
dc.date.accessioned	2021-07-30T09:32:44Z
dc.date.available	2021-07-30T09:32:44Z
dc.date.issued	2021-07-23
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/1018
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-869
dc.description.abstract	Σε αυτή την διπλωματική εργασία χρησιμοποιούμε το αναδρομικό νευρωνικό δίκτυο LSTM για να προβλέψουμε την επόμενη δραστηριότητα σε έναν τραπεζικό οργανισμό αλλά και σε ένα εργοστάσιο. Μέσω του πειραματισμού προσπαθούμε να καταλήξουμε στην κατασκευή του βέλτιστου μοντέλου με το οποίο θα μπορούμε να κάνουμε ακριβείς προβλέψεις. Επίσης γίνονται πειράματα με κλασσικούς αλγορίθμους εξόρυξης δεδομένων.	el
dc.format.extent	120	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Lstm	el
dc.subject	Neural networks	el
dc.title	Προβλεπτική παρακολούθηση επιχειρησιακών διεργασιών με νευρωνικά δίκτυα μακράς και βραχείας μνήμης	el
dc.title.alternative	Predictive business process monitoring with long short-term memory neural networks	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Miaoulis, Georgios
dc.contributor.committee	Voulodimos, Athanasios
dc.contributor.committee	Μπαρδής, Γεώργιος
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	The present thesis concerns the development of a LSTM neural network to predict the next activity at a bank organization and at a factory. Through experimentation we try to construct a model that leads to predictions with highest accuracy. Also we are doing experiments at the same datasets with classic process mining algorithms.	el

Files in this item

Name:: Malonas_71345226.PDF
Size:: 3.918Mb
Format:: PDF
Description:: Διπλωματική εργασία

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές