Πρακτική εφαρμογή μηχανικής μάθησης και ανάλυσης σε δεδομένα ηλεκτρικής ενέργειας
| dc.contributor.advisor | Nikolaou, Grigoris | |
| dc.contributor.author | Νούλιας, Ανδρέας | |
| dc.date.accessioned | 2022-07-17T12:25:47Z | |
| dc.date.available | 2022-07-17T12:25:47Z | |
| dc.date.issued | 2022-04-12 | |
| dc.identifier.uri | https://polynoe.lib.uniwa.gr/xmlui/handle/11400/2505 | |
| dc.identifier.uri | http://dx.doi.org/10.26265/polynoe-2345 | |
| dc.description.abstract | Η εργασία αυτή έχει εκπονηθεί από τον Ανδρέα Νούλια για το Πανεπιστήμιο Δυτικής Αττικής και ο τίτλος είναι ‘πρακτική εφαρμογή machine learning και analytics σε δεδομένα ηλεκτρικής ενέργειας’. Ο σκοπός τις εργασίας είναι να εξετάσουμε με την χρήση Μηχανικής μάθησης δεδομένα που αφορούν κατανάλωση ηλεκτρικού ρεύματος. Τα δεδομένα είναι δομημένα με time series, και σκοπός μας είναι με ένα dataset το οποίο κατεβάσαμε από το UCI και σχετίζεται όπως είπαμε με ηλεκτρική ενέργεια. Σκοπός μας είναι να κάνουμε ανάλυση των δεδομένων σε πρώτη φάση έτσι ώστε να επιλέξουμε μοντέλα μηχανικής μάθησης που ταιριάζουν για το πρόβλημα μας και να κάνουμε forecast πάνω σε αυτά έτσι ώστε να δημιουργήσουμε ένα μοντέλο που θα μας κάνει πρόβλεψη της ηλεκτρικής ενέργειας. Το project μας θα υλοποιηθεί με την χρήση τελευταίων τεχνολογιών. Για την επεξεργασία και την χρήση μηχανικής μάθησης θα χρησιμοποιήσουμε την γλώσσα προγραμματισμού Python και για την υλοποίηση του Project μας θα χρησιμοποιήσουμε το github έτσι ώστε να κρατήσουμε τον κώδικα και τα δεδομένα σε ένα project. Θα αναλύσουμε έννοιες όπως τι είναι η μηχανική μάθηση, χρονοσειρές και ανάλυση δεδομένων και σκοπός μας είναι εκτός από τα δεδομένα που έχούμε να βρούμε άλλες εξαρτώμενες-α δεδομένα\ μεταβλητές όπου θα μας βοηθήσουν να βγάλουμε καλύτερα συμπεράσματα για τα δεδομένα μας αλλά και καλύτερα αποτελέσματα στα μοντέλα μηχανικής μάθησης. Η εργασία θα δομηθεί σε δύο κομμάτια το ένα θα είναι η θεωρικά μελέτη και η ανάλυση ορισμών και το δεύτερο κομμάτι θα είναι η πρακτική εφαρμογή και ότι έχουμε διαβάσει και έχουμε κάνει έρευνα να προσπαθήσουμε να τα υλοποιήσουμε και να βγάλουμε τα αποτελέσματα μετά από την μελέτη και εφαρμογή τεχνικών και μοντέλων μηχανικής μάθησης. | el |
| dc.format.extent | 67 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Δυτικής Αττικής | el |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές | * |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject | Μηχανική μάθηση | el |
| dc.title | Πρακτική εφαρμογή μηχανικής μάθησης και ανάλυσης σε δεδομένα ηλεκτρικής ενέργειας | el |
| dc.title.alternative | Practical application of machine learning and analysis on electricity data | el |
| dc.type | Διπλωματική εργασία | el |
| dc.contributor.committee | Βασιλειάδου, Σουλτάνα | |
| dc.contributor.committee | Drosos, Christos | |
| dc.contributor.faculty | Σχολή Μηχανικών | el |
| dc.contributor.department | Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής | el |
| dc.description.abstracttranslated | This paper has been prepared by Andreas Noulias for the University of Western Attica and the title is 'practical application of machine learning and analytics in electricity data'. The purpose of the work is to examine data related to electricity consumption using Machine Learning. The data is structured with time series, and our purpose is with a dataset that we downloaded from the UCI and related as we said to electricity. Our purpose is to analyze the data in the first phase so that we can choose machine learning models that are suitable for our problem and make a forecast on them so that we can create a model that will make us a forecast of electricity. Our project will be implemented using the latest technologies. For the processing and use of machine learning we will use the Python programming language and for the implementation of our Project we will use github so that we keep the code and data in a project. We will analyze concepts such as what is machine learning, time series and data analysis and our purpose is to find other dependent data\variables where we can make better conclusions about our data and also better results in machine learning models. The work will be structured in two parts one will be the theoretical study and definition analysis and the second part will be the practical application and what we have read and researched to try to implement them and get the results after the study and application of machine learning techniques and models. | el |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές