Show simple item record

Εφαρμογές βαθιάς μάθησης

dc.contributor.advisorNikolaou, Grigoris
dc.contributor.authorΤσερρίκου, Λέοναρντ
dc.date.accessioned2021-12-06T12:24:39Z
dc.date.available2021-12-06T12:24:39Z
dc.date.issued2021-10
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/1615
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-1466
dc.description.abstractΣτην παρούσα διπλωµατική εργασία παρουσιάζονται και εφαρµόζονται παραδείγµατα χρήσης αλγορίθµων και µέθοδοι εύρεσης σφαλµάτων όπως DBSCAN, LOF, Isolation Forest και Tukey IQR, χρησιµοποιώντας συνθετικά δεδοµένα. Επιπλέον, αναφέρονται παραδείγµατα αντικατάστασης ελλιπών τιµών σε δεδοµένα θερµοκρασίας. Μετέπειτα, παρουσιάζονται παραδείγµατα χρήσης βιβλιοθηκών βαθιάς µάθησης Estimator API, Tensorflow και βιβλιοθήκης Keras για την δηµιουργία µοντέλων πρόβλεψης που αφορούν την επίλυση προβληµάτων σε τραπεζικά δεδοµένα, ηλεκτρική κατανάλωση, δεδοµένα θερµοκρασίας, πολυταξικός ταξινοµητής για δεδοµένα αρίθµησης [0-9] στην νοηµατική γλώσσα. Τέλος, παρουσιάζεται η πειραµατική εφαρµογή µοντέλου πρόβλεψης γωνίας τιµονιού για την οδήγηση οχήµατος σε πίστα µέσα σε προσοµοιωτή.el
dc.format.extent148el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/*
dc.subjectΒαθιά μάθησηel
dc.subjectΑλγόριθμοιel
dc.subjectΑλγόριθμοι ανίχνευσης σφαλμάτωνel
dc.subjectTensorFlowel
dc.subjectKerasel
dc.subjectCNNel
dc.subjectRecurrent neural networksel
dc.subjectDeep learningel
dc.subjectLSTMel
dc.titleΕφαρμογές βαθιάς μάθησηςel
dc.title.alternativeApplications of deep learningel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΒασιλειάδου, Σουλτάνα
dc.contributor.committeeDrosos, Christos
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγήςel
dc.description.abstracttranslatedIn this dissertation are presented various examples regarding finding faulty values and outliers in a dataset with the use of algorithms as DBSCAN, LOF, Isolation Forest and Tukey IQR method. Moreover, there will be an example of dealing with missing values in a timeseries dataset of temperature data and dimensionality reduction usind PCA algorithm. Finally, we will show examples of solving problems using deep learning libraries like the following Estimator API, Tensorflow and Keras with datasets such as banking data, electrical consumption, multi classification of pictures of sign language numbers [0-9] and predicting steering values for the use of driving a vehicle in autonomous mode in a simulatorel


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές