Ανάλυση και πρόβλεψη μετεωρολογικών δεδομένων ακολουθώντας τη διαδικασία ανακάλυψης γνώσης σε βάσεις δεδομένων

Τσαλούμας, Ιωάννης

dc.contributor.advisor	Troussas, Christos
dc.contributor.author	Τσαλούμας, Ιωάννης
dc.date.accessioned	2023-07-21T07:49:51Z
dc.date.available	2023-07-21T07:49:51Z
dc.date.issued	2023-07-21
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/4770
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-4608
dc.description.abstract	Στην καθημερινή ζωή, οι ανθρώπινες δραστηριότητες, όπως η εργασία, η αναψυχή και η κοινωνικοποίηση, εξαρτώνται σε μεγάλο βαθμό από τις καιρικές συνθήκες. Σωστές προβλέψεις βοηθούν τους ανθρώπους να προετοιμαστούν και να προσαρμοστούν καλύτερα. Με την πάροδο του χρόνου και την εξέλιξη και την άνοδο της τεχνολογίας, η μηχανική μάθηση μπορεί να δώσει λύσεις και αξιόπιστες προβλέψεις. Στη μελέτη αυτή θα ακολουθήσουμε τη διαδικασία ανακάλυψης της γνώσης από βάσεις δεδομένων προκειμένου να εκπαιδεύσουμε διάφορα μοντέλα μηχανικής μάθησης χρησιμοποιώντας την βιβλιοθήκη scikit-learn της γλώσσας προγραμματισμού Python, και το εργαλείο ανοιχτού κώδικα WEKA. Οι αλγόριθμοι μηχανικής μάθησης που θα χρησιμοποιηθούν είναι οι Κ-κοντινότεροι-γείτονες, η Λογιστική παλινδρόμηση, τα Δέντρα απόφασης, τα Τυχαία δάση, τα Τυχαία Δάση, ο AdaBoost, ο Απλοϊκός Bayes, οι Μηχανές Διανυσμάτων Υποστήριξης και το Νευρωνικό δίκτυο πολλών επιπέδων. Η μεταβλητή "στόχος" παίρνει τιμές "Rain" και "Νot Rain". Στην συνέχεια θα αξιολογήσουμε αυτούς τους κατηγοριοποιητές και θα προτείνουμε τον πιο αξιόπιστο βάσει των αποτελεσμάτων της παρούσας μελέτης. O κατηγοριοποιητής RandomForest είναι ο πιο βέλτιστος για την πρόβλεψη βροχόπτωσης συγκριτικά με τους υπόλοιπους κατηγοριοποιητές τόσο στο scikit-learn όσο και στο WEKA.	el
dc.format.extent	92	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	Πρόβλεψη καιρικών συνθηκών	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Python	el
dc.subject	Scikit-learn	el
dc.subject	Weka	el
dc.title	Ανάλυση και πρόβλεψη μετεωρολογικών δεδομένων ακολουθώντας τη διαδικασία ανακάλυψης γνώσης σε βάσεις δεδομένων	el
dc.title.alternative	Analysis and prediction of meteorological data using the process of knowledge discovery in databases	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Κρούσκα, Ακριβή
dc.contributor.committee	Tselenti, Panagiota
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	In everyday life, human activities such as work, leisure, and socialization are highly dependent on weather conditions. Accurate predictions help people prepare and adapt better. Over time, with the evolution and advancement of technology, machine learning can provide solutions and reliable forecasts. In this study, we will follow the process of knowledge discovery from databases to train various machine learning models using the scikit-learn library in Python and the open-source tool WEKA. The machine learning algorithms to be used include K-Nearest Neighbors, Logistic Regression, Decision Trees, Random Forests, AdaBoost, Naive Bayes, Support Vector Machines, and Multilayer Perceptron Neural Network. The target variable takes values "Rain" and "Not Rain". Subsequently, we will evaluate these classifiers and propose the most reliable one based on the results of this study. The RandomForest classifier is the most optimal for rainfall prediction compared to the other classifiers, both in scikit-learn and WEKA.	el

Files in this item

Name:: Tsaloumas Ioannis Thesis signed.pdf
Size:: 2.910Mb
Format:: PDF

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

Show simple item record

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