Το Γενικό Σεμινάριο του Τμήματος συνεχίζεται την επόμενη εβδομάδα.
Η ομιλία θα διεξαχθεί διαδικτυακά.
Τα στοιχεία της επόμενης ομιλίας έχουν ως εξής:

Παρουσίαση Διδακτορικής Διατριβής

Ημερομηνία: Τέταρτη 22/5 2024. Ώρα: 14:00-15:00.

Ομιλητής: κ. Παντελής Λιναρδάτος (https://scholar.google.fi/citations?...MQZGugAAAAJ&hl),
Υποψήφιος Διδάκτορας του Τμήματος Μαθηματικών, Πανεπιστήμιο Πατρών

Τίτλος ομιλίας:
Σχεδίαση και Υλοποίηση Προηγμένων Αλγορίθμων Μηχανικής Μάθησης για την Ανάλυση και Πρόγνωση Χρονοσειρών

Περίληψη της ομιλίας:

Η διατριβή αυτή επικεντρώνεται στην εφαρμογή και ανάπτυξη προηγμένων
αλγορίθμων Μηχανικής Μάθησης για την ανάλυση και πρόβλεψη χρονοσειρών, με
εφαρμογές σε διάφορους τομείς όπως οι έξυπνες πόλεις, η δημόσια υγεία και η
χρηματοοικονομική τεχνολογία. Οι κύριοι στόχοι της διατριβής είναι η
εφαρμογή υπαρχόντων τεχνικών Μηχανικής Μάθησης σε νέα σύνολα δεδομένων
χρονοσειρών και η ανάπτυξη καινοτόμων αλγορίθμων για την βελτίωση της
ανάλυσης και πρόβλεψης αυτών των δεδομένων.

Αρχίζει με μια εμπεριστατωμένη επισκόπηση των τεχνικών Βαθιάς Μηχανικής
Μάθησης σε πολυμεταβλητές χρονοσειρές, εξερευνώντας εφαρμογές για έξυπνες
πόλεις. Σε αυτή τη μελέτη, παρέχεται μια σαφής εικόνα των ευκαιριών και των
προκλήσεων που συναντώνται στην εφαρμογή αυτών των μεθόδων.

Η ανάλυση και πρόβλεψη της πανδημίας COVID-19 μέσω πολυμεταβλητών
χρονοσειρών αποτελεί την επόμενη εστίαση. Μέσα από τη σύγκριση Παραδοσιακών
Στατιστικών μεθόδων και προηγμένων μοντέλων Μηχανικής Μάθησης, η διατριβή
προσφέρει μια βαθύτερη κατανόηση της δυνατότητας των αλγορίθμων στη
διαχείριση των δεδομένων της υγείας.

Στον τομέα της χρηματοοικονομικής τεχνολογίας, η διατριβή εξετάζει την
πρόβλεψη της τιμής του Bitcoin με την ενσωμάτωση ανάλυσης συναισθημάτων από
tweets, παρουσιάζοντας τις δυνατότητες της Βαθιάς Μηχανικής Μάθησης στην
ανάλυση σύνθετων και νέων πηγών δεδομένων.

Η διατριβή εστιάζει επιπλέον στην εφαρμογή της τεχνικής της Αλληλουχίας
(Cascade) για την επεξεργασία δεδομένων χρονοσειρών με πολλαπλές
μεταβλητές. Αυτή η προσέγγιση αποδεικνύεται ιδιαίτερα αποτελεσματική στη
βελτίωση της ακρίβειας των προβλέψεων, συνδυάζοντας διάφορες μεθόδους
Μηχανικής Μάθησης για να επιτύχει την καλύτερη δυνατή απόδοση.

Τέλος, η ανάπτυξη ενός Υβριδικού αλγορίθμου που συνδυάζει τη στατιστική
μέθοδο ARIMA με τον προηγμένο αλγόριθμο Βαθιάς Μηχανικής Μάθησης Temporal
Fusion Transformer αποδεικνύει την αξία της καινοτομίας στην ανάλυση
περιβαλλοντικών δεδομένων και ενισχύει την εφαρμογή των τεχνικών Μηχανικής
Μάθησης.

Join Zoom Meeting
https://upatras-gr.zoom.us/j/9846718...RrUGxSdmdOdz09

Meeting ID: 984 6718 3375
Passcode: 592816