BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20250728T165311Z
LAST-MODIFIED:20250728T165311Z
DTSTAMP:20261011T031049Z
UID:1791677449@tuc.gr
SUMMARY:Παρουσίαση μεταπτυχιακής εργασίας κ.
  ΑΝΤΡΙΑ ΧΡΥΣΑΣ, Σχολή ΜΠΔ
LOCATION:
DESCRIPTION:https://www.pem.tuc.gr/el/chrisima/i
 merologio-ekdiloseon?tx_tucevents2_t
 uceventsdisplay%5Baction%5D=show&tx_
 tucevents2_tuceventsdisplay%5Bcontro
 ller%5D=Event&tx_tucevents2_tucevent
 sdisplay%5Bevent%5D=7973&cHash=747bc
 5f132847a9d135bcbe190a9728b\nΠΟΛΥΤΕΧ
 ΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Μηχανικών Παραγω
 γής και Διοίκησης\n Πρόγραμμα Μεταπτ
 υχιακών Σπουδών\n Διοίκηση Επιχειρήσ
 εων\n  \n ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ Ε
 ΡΓΑΣΙΑΣ\n Πέμπτη, 31 Ιουλίου 2025, 1
 2:00\n https://tuc-gr.zoom.us/j/8437
 6874961?pwd=WTVEY1RZQzhST0lUcDNuR1U5
 T1M1dz09\n Ονοματεπώνυμο: ΑΝΤΡΙΑ ΧΡΥ
 ΣΑ\n Θέμα: Αλγόριθμοι μηχανικής μάθη
 σης για την πρόβλεψη τιμών ενοικίαση
 ς καταλυμάτων βραχυχρόνιας μίσθωσης\
 n Title: Machine learning algorithms
  for predicting the prices of short 
 term rental properties\n Εξεταστική 
 Επιτροπή\n \n \nΤΣΑΦΑΡΑΚΗΣ ΣΤΕΛΙΟΣ, 
 Αναπληρωτής Καθηγητής (επιβλέπων)\n 
 \nΔΟΥΜΠΟΣ ΜΙΧΑΗΛ, Καθηγητής\n \nΑΤΣΑ
 ΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητή
 ς\n \n Περίληψη\n Η ραγδαία ανάπτυξη
  της αγοράς βραχυχρόνιας μίσθωσης κα
 ταλυμάτων μέσω πλατφορμών όπως το Ai
 rbnb έχει δημιουργήσει την ανάγκη γι
 α ακριβέστερη και πιο αξιόπιστη εκτί
 μηση των τιμών ενοικίασης. Η παρούσα
  εργασία διερευνά την εφαρμογή αλγορ
 ίθμων μηχανικής μάθησης με στόχο την
  εκτίμηση της τιμής ενοικίασης καταλ
 υμάτων βραχυχρόνιας μίσθωσης, με πεδ
 ίο μελέτης την περιοχή της Θεσσαλονί
 κης. Αρχικά πραγματοποιήθηκε συλλογή
  και προεπεξεργασία δεδομένων από τη
 ν πλατφόρμα Inside Airbnb. Στη συνέχ
 εια, αναπτύχθηκαν και αξιολογήθηκαν 
 δύο μοντέλα πρόβλεψης: ένα βασισμένο
  στα Τεχνητά Νευρωνικά Δίκτυα και έν
 α στον αλγόριθμο Τυχαία Δάση. Η σύγκ
 ριση των αποτελεσμάτων πραγματοποιήθ
 ηκε μέσω δεικτών απόδοσης όπως ο συν
 τελεστής προσδιορισμού R2 και το Roo
 t Mean Squared Error (RMSE). Τα αποτ
 ελέσματα έδειξαν ότι ο αλγόριθμος Τυ
 χαία Δάση μπορεί να δώσει καλύτερες 
 εκτιμήσεις καθώς είναι πιο αποδοτικό
 ς με συντελεστή R2 = 0,898 και μέσο 
 σφάλμα RMSE = 13,442. Τα ευρήματα κα
 ταδεικνύουν τη χρησιμότητα της μηχαν
 ικής μάθησης ως εργαλείο υποστήριξης
  αποφάσεων στην τιμολόγηση ακινήτων 
 βραχυχρόνιας μίσθωσης. Παράλληλα, αν
 αδεικνύονται οι δυνατότητες και οι π
 ροοπτικές εξέλιξης μέσω της ενσωμάτω
 σης εξωτερικών παραμέτρων και πιο σύ
 νθετων αλγορίθμων σε μελλοντικές εφα
 ρμογές.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250731T120000
DTEND:20250731T130000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR