Αξιοποίηση των αλγορίθμων κατηγοριοποίησης (classification algorithms) και των αλγορίθμων συσχέτισης (association algorithms) σε προβλήματα Διαχείρισης Έργων (Project Management)

Σκοπός της παρούσας διπλωματικής εργασίας είναι η αξιοποίηση τεχνικών Εξόρυξης Δεδομένων και αλγορίθμων Μηχανικής Μάθησης σε προβλήματα Διαχείρισης Έργων. Αρχικά καταγράφονται τα στάδια κατά τη διαχείριση ενός έργου που αντιμετωπίζουν προβλήματα λόγω της ελλιπούς ανάλυσης δεδομένων, και αναδεικνύετα...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Πετροπούλου, Ρουμπίνη
Άλλοι συγγραφείς: Καρακαπιλίδης, Νικόλαος
Μορφή: Thesis
Γλώσσα:Greek
Έκδοση: 2020
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/13403
id nemertes-10889-13403
record_format dspace
institution UPatras
collection Nemertes
language Greek
topic Διαχείριση έργων
Εξόρυξη δεδομένων
Μηχανική μάθηση
Δένδρα αποφάσεων
Αλγόριθμος του εγγύτερου γείτονα
Project management
Data mining
Machine learning
Decision tree
KNN Algorithm
Apriori
spellingShingle Διαχείριση έργων
Εξόρυξη δεδομένων
Μηχανική μάθηση
Δένδρα αποφάσεων
Αλγόριθμος του εγγύτερου γείτονα
Project management
Data mining
Machine learning
Decision tree
KNN Algorithm
Apriori
Πετροπούλου, Ρουμπίνη
Αξιοποίηση των αλγορίθμων κατηγοριοποίησης (classification algorithms) και των αλγορίθμων συσχέτισης (association algorithms) σε προβλήματα Διαχείρισης Έργων (Project Management)
description Σκοπός της παρούσας διπλωματικής εργασίας είναι η αξιοποίηση τεχνικών Εξόρυξης Δεδομένων και αλγορίθμων Μηχανικής Μάθησης σε προβλήματα Διαχείρισης Έργων. Αρχικά καταγράφονται τα στάδια κατά τη διαχείριση ενός έργου που αντιμετωπίζουν προβλήματα λόγω της ελλιπούς ανάλυσης δεδομένων, και αναδεικνύεται η αναγκαιότητα της εφαρμογής τεχνικών ανάλυσης δεδομένων στην Διαχείριση Έργων. Στο Κεφάλαιο 2, παρουσιάζεται η διαδικασία της Εξόρυξης Δεδομένων και οι τρεις βασικές τεχνικές με τις οποίες υλοποιείται. Εν συνεχεία στο Κεφάλαιο 3, ορίζεται η έννοια της Μηχανικής Μάθησης και καταγράφονται τα τρία κυρίαρχα είδη Μηχανικής Μάθησης. Στο Κεφάλαιο 4 ακολουθεί η λεπτομερής επεξήγηση του τρόπου λειτουργίας τριών βασικών αλγόριθμων Μηχανικής Μάθηση, οι οποίοι είναι οι: (i) Δένδρα Απόφασης, (ii) Αλγόριθμος του Εγγύτερου Γείτονα και (iii) Apriori. Οι συγκεκριμένοι αλγόριθμοι θα χρησιμοποιηθούν στη συνέχεια στο αριθμητικό κομμάτι της παρούσας διπλωματικής εργασίας. Μετά την παρουσίαση των παραπάνω αλγορίθμων, ακολουθεί το Κεφάλαιο 5 στο οποίο καταγράφονται βασικές έννοιες των Συστημάτων Συστάσεων και παρουσιάζεται βιβλιογραφία που αφορά προβλήματα Διαχείρισης Έργων που επιλύθηκαν με εφαρμογές Εξόρυξης Δεδομένων, Μηχανικής Μάθησης και των Συστημάτων Συστάσεων. Προχωρώντας στο Κεφάλαιο 6 παρουσιάζονται μερικές γενικές πληροφορίες για την γλώσσα προγραμματισμού R, και ο λόγος που επιλέχθηκε για την ανάλυση δεδομένων στην παρούσα διπλωματική εργασία. Ακολουθεί το προτελευταίο Κεφάλαιο 7, στο οποίο παρουσιάζεται το σύνολο δεδομένων που θα χρησιμοποιηθεί προς ανάλυση, και διατυπώνονται τα ερευνητικά ερωτήματα που θα απαντηθούν. Στο ίδιο Κεφάλαιο κάθε ερευνητικό ερώτημα συνοδεύεται από τα αποτελέσματα των αναλύσεων που πραγματοποιήθηκαν στην R. Τέλος ακολουθεί το Κεφάλαιο 8 στο οποίο συγκεντρώνονται τα κύρια συμπεράσματα που προέκυψαν από τις παραπάνω αναλύσεις δεδομένων για κάθε ερευνητικό ερώτημα, και διατυπώνονται ορισμένα γενικά συμπεράσματα που αφορούν ολόκληρη της διαδικασία της Εξόρυξης Δεδομένων που πραγματοποιήθηκε.
author2 Καρακαπιλίδης, Νικόλαος
author_facet Καρακαπιλίδης, Νικόλαος
Πετροπούλου, Ρουμπίνη
format Thesis
author Πετροπούλου, Ρουμπίνη
author_sort Πετροπούλου, Ρουμπίνη
title Αξιοποίηση των αλγορίθμων κατηγοριοποίησης (classification algorithms) και των αλγορίθμων συσχέτισης (association algorithms) σε προβλήματα Διαχείρισης Έργων (Project Management)
title_short Αξιοποίηση των αλγορίθμων κατηγοριοποίησης (classification algorithms) και των αλγορίθμων συσχέτισης (association algorithms) σε προβλήματα Διαχείρισης Έργων (Project Management)
title_full Αξιοποίηση των αλγορίθμων κατηγοριοποίησης (classification algorithms) και των αλγορίθμων συσχέτισης (association algorithms) σε προβλήματα Διαχείρισης Έργων (Project Management)
title_fullStr Αξιοποίηση των αλγορίθμων κατηγοριοποίησης (classification algorithms) και των αλγορίθμων συσχέτισης (association algorithms) σε προβλήματα Διαχείρισης Έργων (Project Management)
title_full_unstemmed Αξιοποίηση των αλγορίθμων κατηγοριοποίησης (classification algorithms) και των αλγορίθμων συσχέτισης (association algorithms) σε προβλήματα Διαχείρισης Έργων (Project Management)
title_sort αξιοποίηση των αλγορίθμων κατηγοριοποίησης (classification algorithms) και των αλγορίθμων συσχέτισης (association algorithms) σε προβλήματα διαχείρισης έργων (project management)
publishDate 2020
url http://hdl.handle.net/10889/13403
work_keys_str_mv AT petropoulouroumpinē axiopoiēsētōnalgorithmōnkatēgoriopoiēsēsclassificationalgorithmskaitōnalgorithmōnsyschetisēsassociationalgorithmsseproblēmatadiacheirisēsergōnprojectmanagement
AT petropoulouroumpinē utilizationofclassificationandassociationalgorithmsinprojectmanagementproblems
_version_ 1771297335602577408
spelling nemertes-10889-134032022-09-05T20:24:21Z Αξιοποίηση των αλγορίθμων κατηγοριοποίησης (classification algorithms) και των αλγορίθμων συσχέτισης (association algorithms) σε προβλήματα Διαχείρισης Έργων (Project Management) Utilization of classification and association algorithms in project management problems Πετροπούλου, Ρουμπίνη Καρακαπιλίδης, Νικόλαος Αδαμίδης, Εμμανουήλ Δέντσορας, Αργύρης Petropoulou, Roumpini Διαχείριση έργων Εξόρυξη δεδομένων Μηχανική μάθηση Δένδρα αποφάσεων Αλγόριθμος του εγγύτερου γείτονα Project management Data mining Machine learning Decision tree KNN Algorithm Apriori Σκοπός της παρούσας διπλωματικής εργασίας είναι η αξιοποίηση τεχνικών Εξόρυξης Δεδομένων και αλγορίθμων Μηχανικής Μάθησης σε προβλήματα Διαχείρισης Έργων. Αρχικά καταγράφονται τα στάδια κατά τη διαχείριση ενός έργου που αντιμετωπίζουν προβλήματα λόγω της ελλιπούς ανάλυσης δεδομένων, και αναδεικνύεται η αναγκαιότητα της εφαρμογής τεχνικών ανάλυσης δεδομένων στην Διαχείριση Έργων. Στο Κεφάλαιο 2, παρουσιάζεται η διαδικασία της Εξόρυξης Δεδομένων και οι τρεις βασικές τεχνικές με τις οποίες υλοποιείται. Εν συνεχεία στο Κεφάλαιο 3, ορίζεται η έννοια της Μηχανικής Μάθησης και καταγράφονται τα τρία κυρίαρχα είδη Μηχανικής Μάθησης. Στο Κεφάλαιο 4 ακολουθεί η λεπτομερής επεξήγηση του τρόπου λειτουργίας τριών βασικών αλγόριθμων Μηχανικής Μάθηση, οι οποίοι είναι οι: (i) Δένδρα Απόφασης, (ii) Αλγόριθμος του Εγγύτερου Γείτονα και (iii) Apriori. Οι συγκεκριμένοι αλγόριθμοι θα χρησιμοποιηθούν στη συνέχεια στο αριθμητικό κομμάτι της παρούσας διπλωματικής εργασίας. Μετά την παρουσίαση των παραπάνω αλγορίθμων, ακολουθεί το Κεφάλαιο 5 στο οποίο καταγράφονται βασικές έννοιες των Συστημάτων Συστάσεων και παρουσιάζεται βιβλιογραφία που αφορά προβλήματα Διαχείρισης Έργων που επιλύθηκαν με εφαρμογές Εξόρυξης Δεδομένων, Μηχανικής Μάθησης και των Συστημάτων Συστάσεων. Προχωρώντας στο Κεφάλαιο 6 παρουσιάζονται μερικές γενικές πληροφορίες για την γλώσσα προγραμματισμού R, και ο λόγος που επιλέχθηκε για την ανάλυση δεδομένων στην παρούσα διπλωματική εργασία. Ακολουθεί το προτελευταίο Κεφάλαιο 7, στο οποίο παρουσιάζεται το σύνολο δεδομένων που θα χρησιμοποιηθεί προς ανάλυση, και διατυπώνονται τα ερευνητικά ερωτήματα που θα απαντηθούν. Στο ίδιο Κεφάλαιο κάθε ερευνητικό ερώτημα συνοδεύεται από τα αποτελέσματα των αναλύσεων που πραγματοποιήθηκαν στην R. Τέλος ακολουθεί το Κεφάλαιο 8 στο οποίο συγκεντρώνονται τα κύρια συμπεράσματα που προέκυψαν από τις παραπάνω αναλύσεις δεδομένων για κάθε ερευνητικό ερώτημα, και διατυπώνονται ορισμένα γενικά συμπεράσματα που αφορούν ολόκληρη της διαδικασία της Εξόρυξης Δεδομένων που πραγματοποιήθηκε. The scope of the present thesis is to utilize Data Mining Techniques and Machine Learning Algorithms in order to solve Project Management Problems. Initially, the stages that are experiencing problems due to incomplete data analysis, during the management of a project, are listed. Moreover, the necessity of applying data analysis techniques to Project Management is highlighted. In Chapter 2, the process of Data Mining and the three basic techniques by which Data Mining is performed, are presented. Then, in Chapter 3, the concept of Machine Learning is defined and the three main types of Machine Learning are listed. Afterwards, Chapter 4 contains a detailed explanation of the three Machine Learning Algorithms that are used in the present thesis. These algorithms are the following: (i) Decision Trees, (ii) K Nearest Neighbor Algorithm and (iii) Apriori, which will be used in the numerical part of the present thesis. After the detailed presentation of the above algorithms, the basic concepts of Recommendation Systems are described in Chapter 5. Moreover, a brief literature review on Project Management problems solved by Data Mining, Machine Learning, and Recommendation Systems is presented. Chapter 6 provides some general information on the programming language R, and the reason why it was chosen for data analysis in this thesis. Then, Chapter 7 presents the dataset to be used for the analysis, and the research questions to be answered. Each research question is accompanied by the results of the analysis carried out in R. Finally, Chapter 8 summarizes the main findings of the data analysis for each research question, and some general conclusions are extracted regarding the entire Data Mining process. 2020-03-25T21:55:54Z 2020-03-25T21:55:54Z 2020-03-10 Thesis http://hdl.handle.net/10889/13403 gr 0 application/pdf