Εμφάνιση απλής εγγραφής

Πρόβλεψη δραστηριοτήτων επιχειρησιακών διεργασιών με πιθανοτικά μοντέλα μάθησης.

dc.contributor.advisorBousdekis, Alexandros
dc.contributor.advisorMiaoulis, Georgios
dc.contributor.authorΠρασίδης, Ιωάννης
dc.date.accessioned2021-08-02T07:29:00Z
dc.date.available2021-08-02T07:29:00Z
dc.date.issued2021-07-21
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/1040
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-891
dc.description.abstractΟι διαδικασίες αποτελούν το πιο σημαντικό στοιχείο μιας επιχείρησης, καθώς η επιτυχής εκτέλεση τους συμβάλλει στην ολοκλήρωση των οργανωτικών της στόχων. Προκειμένου όμως να είναι σε θέση να πετυχαίνει τους στόχους της, πρέπει να γίνεται ανάλυση των διαδικασιών αυτών για τυχόν αποκλίσεις αλλά και να δημιουργηθεί ένα μοντέλο το οποίο θα περιγράφει αναλυτικά το σύνολο των δραστηριοτήτων που εκτελούνται, αλλά και των σχέσεων μεταξύ των. Μέσω των παραπάνω τεχνικών, γίνεται ευκολότερη η κατανόηση των διαδικασιών που πραγματοποιούνται σε μια επιχείρηση, των προβλημάτων αλλά και των συνεισφορών που μπορεί να προσφέρει μια αλλαγή. Δεν είναι λίγες οι φορές που, κάποιο μοντέλο δεν «ταυτίζεται» με τις υπάρχουσες διαδικασίες της επιχείρησης, καθώς είτε υπάρχουν σχέσεις μεταξύ δραστηριοτήτων που φαινομενικά δεν μπορούν να πραγματοποιηθούν είτε δεν υπάρχουν στο σύστημα της επιχείρησης. Και όλα αυτά γιατί από μόνη της μια διαδικασία μπορεί να γίνει αρκετά πολύπλοκη από τη φύση της, όταν προσπαθήσουμε να την εφαρμόσουμε σε κάποιο σύστημα. Επομένως, χρήζει αντιμετώπισης η αβεβαιότητα που συναντάμε στις επιχειρησιακές διαδικασίες, μέσω κάποιου πιθανοτικού μοντέλου μάθησης. Ειδικότερα, η διπλωματική εργασία αφορά την εξόρυξη επιχειρησιακών διεργασιών και την πρόβλεψη δραστηριοτήτων με τη χρήση πιθανοτικών μοντέλων μάθησης. Πιο συγκεκριμένα, το πρώτο βήμα της προσέγγισης είναι η εξαγωγή των μοντέλων διεργασιών (process models) και των δικτύων Petri (Petri nets) από αρχεία καταγραφής συμβάντων (event logs) με τη χρήση των αλγορίθμων εξόρυξης διεργασιών. Έπειτα, γίνεται ανάλυση των παραπάνω με σκοπό την περεταίρω μελέτη και προβολή επιμέρους λεπτομερών σχετικά με τα αρχεία καταγραφής συμβάντων (event logs) αλλά και πιο συγκεκριμένα των διεργασιών που εμπεριέχουν. Στη συνέχεια, τα events logs και το process model εισέρχονται σε ένα Μπεϋζιανό δίκτυο (Bayesian Network), προκειμένου να δημιουργηθεί ένα πιθανοτικό μοντέλο, το οποίο μπορεί να «μαθαίνει» κάθε φορά που θα εισάγονται νέες εγγραφές. Με αυτόν τον τρόπο, η προσέγγιση της διπλωματικής επιτρέπει τη διαχείριση της αβεβαιότητας, που αφορά τη μετάβαση στην επόμενη δραστηριότητα, με τον υπολογισμό των αντίστοιχων πιθανοτήτων κατά τον νόμο του Μπέυζ (Bayes). Η υλοποίηση γίνεται με τη χρήση της γλώσσας προγραμματισμού Python.el
dc.format.extent109el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΕξόρυξηel
dc.subjectΕπιχειρησιακές διεργασίεςel
dc.subjectΠρόβλεψη δραστηριοτήτωνel
dc.subjectΠιθανοτικά μοντέλα μάθησηςel
dc.subjectΜοντέλο διεργασιώνel
dc.subjectΑρχείο καταγραφής συμβάντωνel
dc.subjectΑλγόριθμοι εξόρυξης διεργασιώνel
dc.subjectΜπεϋζιανό δίκτυοel
dc.subjectΝόμος Μπέυζel
dc.titleΠρόβλεψη δραστηριοτήτων επιχειρησιακών διεργασιών με πιθανοτικά μοντέλα μάθησης.el
dc.title.alternativeActivity prediction of business processes with probabilistic learning models.el
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeMiaoulis, Georgios
dc.contributor.committeeΜαστοροκώστας, Πάρις
dc.contributor.committeeVoulodimos, Athanasios
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.description.abstracttranslatedProcesses are the most important element of a business, as their successful execution contributes to the completion of its organizational goals. However, in order to be able to achieve its goals, these processes must be analyzed for any deviations and a model must be created that will describe in detail all the activities performed, but also the relationships between them. Through the above techniques, it becomes easier to understand the processes that take place in a business, the problems and the contributions that a change can offer. It is not uncommon for a model not to "identify" with existing business processes, as there are either relationships between activities that seemingly cannot be accomplished or do not exist in the business system. And all this because a process can become quite complex in nature, when we try to apply it to a system. Therefore, the uncertainty we encounter in business processes needs to be addressed, through some probabilistic learning model. In particular, this thesis discusses the business process mining and the activity prediction with probabilistic learning models. More specifically, the first step in the approach is to export process models and Petri nets from the event log using process mining algorithms. Then, the above is analyzed in order to further study and view individual details about the event logs and more specifically the processes involved. Afterwards, the event log and process model are entered into a Bayesian Network in order to create a probabilistic model that can “learn” each time new entries are entered. In this way, this thesis approach allows the uncertainty, regarding the transition to the next activity, to be managed by calculating the corresponding probabilities under Bayes law. The implementation is done using the Python programming languageel


Αρχεία σε αυτό το τεκμήριο

Thumbnail
Όνομα:
Prasidis_71346373.pdf
Μέγεθος:
2.159Mb
Τύπος:
PDF
Περιγραφή:
Διπλωματική Εργασία
Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές