Show simple item record

dc.contributor.advisorΜιχαήλ, Λοΐζος
dc.contributor.authorΠαπαγεωργίου, Έλενα
dc.contributor.otherPapagewrgiou, Elena
dc.coverage.spatialΚύπροςel_GR
dc.date.accessioned2013-11-27
dc.date.accessioned2013-11-27T12:27:17Z
dc.date.available2013-11-27T12:27:17Z
dc.date.copyright2013-08
dc.date.issued2013-11-27
dc.identifier.otherΠΛΗ/2013/00094el_GR
dc.identifier.urihttp://hdl.handle.net/11128/1432
dc.descriptionΠεριέχει βιβλιογραφικές παραπομπές.el_GR
dc.description.abstractΣε διάφορους επιστημονικούς κλάδους όπως τα οικονομικά, η επιχειρησιακή έρευνα, η ψυχολογία, η θεωρία των αποφάσεων, η εκμαίευση των προτιμήσεων των ανθρώπων αποτελεί ακρογωνιαίο λίθο. Για το λόγο αυτό έχουν γίνει πολλές μελέτες για τη μοντελοποίηση και την εκμαίευση των προτιμήσεων. Τα δίκτυα προτιμήσεων υπό συνθήκη έχουν προταθεί ως ένα απλό και διαισθητικό γραφικό εργαλείο για την αναπαράσταση των προτιμήσεων υπό συνθήκη και του συλλογισμού μέσω των προτιμήσεων. Η υφιστάμενη μεταπτυχιακή διατριβή παρουσιάζει την πρώτη εμπειρική διερεύνηση ενός υφιστάμενου αλγορίθμου εκμάθησης των δικτύων προτιμήσεων υπό συνθήκη. Κατά την διαδικασία της διερεύνησης προτείνεται ακόμα ένας νέος αλγόριθμος μάθησης. Επίσης παρουσιάζεται μια νέα μέθοδος αποτελεσματικού συλλογισμού βάση των προτιμήσεων. Κατά την εκπόνηση της μεταπτυχιακής διατριβής, υλοποιήθηκαν οι αλγόριθμοι μάθησης και συλλογισμού που αναφέρθηκαν πιο πάνω. Στην συνέχεια εκτελέστηκαν τρεις κατηγορίες πειραμάτων για την αξιολόγηση της απόδοσης των αλγορίθμων. Στην πρώτη κατηγορία πειραμάτων για την εκμάθηση των δικτύων προτιμήσεων υπό συνθήκη χρησιμοποιήθηκαν μόνο προτιμήσεις που συνεπάγονται διαφανώς. Στη δεύτερη κατηγορία πειραμάτων χρησιμοποιήθηκαν και προτιμήσεις που δε συνεπάγονται διαφανώς. Τέλος στην τρίτη κατηγορία πειραμάτων χρησιμοποιήθηκαν προτιμήσεις που δόθηκαν από πραγματικούς χρήστες, μέσω μιας έρευνας που αναπτύχθηκε για την παρούσα μεταπτυχιακή διατριβή. Τα αποτελέσματα των πειραμάτων έδειξαν ότι η εκμάθηση των δικτύων προτιμήσεων υπό συνθήκη επιτυγχάνεται μέσω των αλγορίθμων μάθησης που υλοποιήθηκαν, αξιόπιστα, αποτελεσματικά και μη-παρεμβατικά.. Επίσης έδειξαν ότι η νέα μέθοδος συλλογισμού που υλοποιήθηκε είναι αποτελεσματική. Η μεταπτυχιακή διατριβή μπορεί να χρησιμοποιηθεί σε διάφορους τομείς όπως τα οικονομικά, η επιχειρησιακή έρευνα, η τεχνητή νοημοσύνη, η εκπαίδευση, στους οποίους η εκμαίευση των προτιμήσεων των ανθρώπων θα βελτιώσει τις υπηρεσίες που προσφέρουν οι τομείς αυτοί.el_GR
dc.format.extentvi, 76 σ. πιν., 30 εκ.el_GR
dc.languagegrel_GR
dc.language.isogrel_GR
dc.subjectΔίκτυα προτιμήσεων υπό συνθήκηel_GR
dc.subjectConditional preferences networks (CP-Nets)el_GR
dc.titleΕμπειρική διερεύνηση εκμάθησης δικτύων προτιμήσεων υπο συνθήκηel_GR
dc.typeΜεταπτυχιακή Διατριβήel_GR
dc.description.translatedabstractIn various scientific fields such as economics, operational research, psychology, decision theory, eliciting user preferences is corner-stone. For that reason there are much research for representing and eliciting preferences. Conditional preferences networks (CP-Nets) have been proposed as a simple and intuitive graphical tool for representing and reasoning with conditional preferences. The current dissertation presents the first empirical investigation of an existing algorithm for learning CP-nets. During the investigation process a new algorithm it proposed for learning CP-Nets. Moreover the current dissertation presents a novel method process of efficiently reasoning with the preferences. In this dissertation, the learning algorithms and reasoning that are mentioned above were also implemented. Then, three types of experiments were performed in order to evaluate the performance of the algorithms. In the first category of experiments for learning CP-Nets only preferences that were transparently entailed were used. In the second category of experiments for learning CP-Nets preferences that were not transparently entailed were also used. In the third category of experiments for learning CP-Nets preferences given by the real users through a survey developed for this dissertation were used. The results of these experiments show that the algorithm for learning CP-Nets can guarantee that learning happens in a reliable, efficient and non-intrusive manner. Also the experiments show that the method of reasoning that was implemented is efficient. This dissertation can be used in various disciplines such as economics, operational research, artificial intelligence, education and others where the elicitation of human beings’ preferences can improve the services that they offer.el_GR
dc.format.typepdfel_GR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record