Πρόβλεψη τελικής τιμής στις ηλεκτρονικές δημοπρασίες με χρήση μηχανικής μάθησης
Αποτελεί αδιαμφισβήτητο γεγονός ότι η εποχή του διαδικτύου που διανύουμε έχει αλλάξει ριζικά τον τρόπο που διεξάγονται οι εμπορικές συναλλαγές στην καθημερινότητα. Ιδίως όσον αφορά τις δημοπρασίες, ο μεγαλύτερος κατά συντριπτική πλειοψηφία όγκος των αγοραπωλησιών, πλέον διεξάγεται ηλεκτρονικά, καταρ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/23927 |
| id |
nemertes-10889-23927 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-239272022-11-15T04:38:59Z Πρόβλεψη τελικής τιμής στις ηλεκτρονικές δημοπρασίες με χρήση μηχανικής μάθησης End price prediction in online auctions with machine learning Τσουβάλας, Άγγελος Tsouvalas, Angelos Ηλεκτρονικές δημοπρασίες Μηχανική μάθηση Πρόβλεψη τελικής τιμής Online auctions Machine learning End price prediction Αποτελεί αδιαμφισβήτητο γεγονός ότι η εποχή του διαδικτύου που διανύουμε έχει αλλάξει ριζικά τον τρόπο που διεξάγονται οι εμπορικές συναλλαγές στην καθημερινότητα. Ιδίως όσον αφορά τις δημοπρασίες, ο μεγαλύτερος κατά συντριπτική πλειοψηφία όγκος των αγοραπωλησιών, πλέον διεξάγεται ηλεκτρονικά, καταρρίπτοντας έτσι σημαντικούς περιορισμούς των παραδοσιακών δημοπρασιών. Παράλληλα, τα τελευταία χρόνια αναπτύσσεται ταχύτατα η χρήση της μηχανικής μάθησης, η οποία με τις δυνατότητες και τις μεθόδους που προσφέρει, μπορεί να συμβάλλει στη μεγιστοποίηση των κερδών των συμμετεχόντων στις ηλεκτρονικές δημοπρασίες και κατ’ επέκταση στην κοινωνική ευημερία που επικρατεί σε αυτές. Αυτή η συμβολή μπορεί να επιτευχθεί με τη συλλογή και επεξεργασία μεγάλου όγκου δεδομένων από την κορυφαία αγορά διαδικτυακών δημοπρασιών (eBay), με σκοπό την κατηγοριοποίησή τους μέσω διαφόρων μεθόδων μηχανικής μάθησης, προκειμένου να καταστεί δυνατή η πρόβλεψη της τελικής τιμής των δημοπρατούμενων προϊόντων, καθώς επίσης και η πρόβλεψη πώλησης ή μη των προϊόντων αυτών. Συμπληρωματικά, σημαντικό κομμάτι αποτελεί η σύγκριση των μεθόδων που χρησιμοποιούνται για την κατηγοριοποίηση των δεδομένων, προκειμένου να βρεθεί η κατάλληλη, την οποία θα χρησιμοποιεί το σύστημα που προτείνεται. It is an undeniable fact that the age of the internet we are going through has radically changed the way business is conducted in everyday life. In terms of auctions, the vast majority of sales volume is now conducted online, breaking down significant restrictions of traditional auctions. At the same time, in recent years, the use of machine learning is rapidly developing, which, with the possibilities and methods it offers, can help maximize the profits of participants in online auctions and, by extension, maximize the social welfare in online auctions. This contribution can be achieved by collecting and processing large volumes of data from the leading online auction market (eBay), in order to classify these data via various machine learning methods, in order to be able to predict the final price of online auction items, as well as to predict whether the items will sell or not. In addition, the comparison of the methods used to classify the data is crucial, in order to find the most efficient one, which will be used by the proposed system. 2022-11-14T12:01:58Z 2022-11-14T12:01:58Z 2022-06-20 https://hdl.handle.net/10889/23927 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ηλεκτρονικές δημοπρασίες Μηχανική μάθηση Πρόβλεψη τελικής τιμής Online auctions Machine learning End price prediction |
| spellingShingle |
Ηλεκτρονικές δημοπρασίες Μηχανική μάθηση Πρόβλεψη τελικής τιμής Online auctions Machine learning End price prediction Τσουβάλας, Άγγελος Πρόβλεψη τελικής τιμής στις ηλεκτρονικές δημοπρασίες με χρήση μηχανικής μάθησης |
| description |
Αποτελεί αδιαμφισβήτητο γεγονός ότι η εποχή του διαδικτύου που διανύουμε έχει αλλάξει ριζικά τον τρόπο που διεξάγονται οι εμπορικές συναλλαγές στην καθημερινότητα. Ιδίως όσον αφορά τις δημοπρασίες, ο μεγαλύτερος κατά συντριπτική πλειοψηφία όγκος των αγοραπωλησιών, πλέον διεξάγεται ηλεκτρονικά, καταρρίπτοντας έτσι σημαντικούς περιορισμούς των παραδοσιακών δημοπρασιών. Παράλληλα, τα τελευταία χρόνια αναπτύσσεται ταχύτατα η χρήση της μηχανικής μάθησης, η οποία με τις δυνατότητες και τις μεθόδους που προσφέρει, μπορεί να συμβάλλει στη μεγιστοποίηση των κερδών των συμμετεχόντων στις ηλεκτρονικές δημοπρασίες και κατ’ επέκταση στην κοινωνική ευημερία που επικρατεί σε αυτές. Αυτή η συμβολή μπορεί να επιτευχθεί με τη συλλογή και επεξεργασία μεγάλου όγκου δεδομένων από την κορυφαία αγορά διαδικτυακών δημοπρασιών (eBay), με σκοπό την κατηγοριοποίησή τους μέσω διαφόρων μεθόδων μηχανικής μάθησης, προκειμένου να καταστεί δυνατή η πρόβλεψη της τελικής τιμής των δημοπρατούμενων προϊόντων, καθώς επίσης και η πρόβλεψη πώλησης ή μη των προϊόντων αυτών. Συμπληρωματικά, σημαντικό κομμάτι αποτελεί η σύγκριση των μεθόδων που χρησιμοποιούνται για την κατηγοριοποίηση των δεδομένων, προκειμένου να βρεθεί η κατάλληλη, την οποία θα χρησιμοποιεί το σύστημα που προτείνεται. |
| author2 |
Tsouvalas, Angelos |
| author_facet |
Tsouvalas, Angelos Τσουβάλας, Άγγελος |
| author |
Τσουβάλας, Άγγελος |
| author_sort |
Τσουβάλας, Άγγελος |
| title |
Πρόβλεψη τελικής τιμής στις ηλεκτρονικές δημοπρασίες με χρήση μηχανικής μάθησης |
| title_short |
Πρόβλεψη τελικής τιμής στις ηλεκτρονικές δημοπρασίες με χρήση μηχανικής μάθησης |
| title_full |
Πρόβλεψη τελικής τιμής στις ηλεκτρονικές δημοπρασίες με χρήση μηχανικής μάθησης |
| title_fullStr |
Πρόβλεψη τελικής τιμής στις ηλεκτρονικές δημοπρασίες με χρήση μηχανικής μάθησης |
| title_full_unstemmed |
Πρόβλεψη τελικής τιμής στις ηλεκτρονικές δημοπρασίες με χρήση μηχανικής μάθησης |
| title_sort |
πρόβλεψη τελικής τιμής στις ηλεκτρονικές δημοπρασίες με χρήση μηχανικής μάθησης |
| publishDate |
2022 |
| url |
https://hdl.handle.net/10889/23927 |
| work_keys_str_mv |
AT tsoubalasangelos problepsētelikēstimēsstisēlektronikesdēmoprasiesmechrēsēmēchanikēsmathēsēs AT tsoubalasangelos endpricepredictioninonlineauctionswithmachinelearning |
| _version_ |
1799945015593533440 |
