Show simple item record

Πρόβλεψη των θανάτων από COVID-19 με χρήση αναδρομικών νευρωνικών δικτύων

dc.contributor.advisorAlexandridis, Alex
dc.contributor.authorΘεμελής, Φώτιος
dc.date.accessioned2023-07-23T22:06:21Z
dc.date.available2023-07-23T22:06:21Z
dc.date.issued2023-07-19
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/4799
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-4637
dc.description.abstractΗ παρούσα πτυχιακή εργασία αποσκοπεί στην μελέτη αλγορίθμων νευρωνικών δικτύων με σκοπό την πρόβλεψη δεδομένων και εξαγωγή συμπερασμάτων που αφορούν στην πανδημία Covid-19. To θέμα της πανδημίας απασχολεί με ποικίλους τρόπους την ανθρωπότητα παντού και σε πολλούς διαφορετικούς τομείς, οπότε το αυξημένο ενδιαφέρον για την πορεία της διασποράς της αποτελεί συχνή πυξίδα για τον προσανατολισμό των ερευνών. Τα νευρωνικά δίκτυα υπάγονται στο ευρύτερο πεδίο της τεχνητής νοημοσύνης η οποία είναι ιδιαίτερα επίκαιρη και έχει ανασύρει στην επιφάνεια νέες προοπτικές, προκλήσεις και λύσεις στο χώρο της τεχνολογίας. Στην παρούσα έρευνα το ερώτημα είναι, αν είναι εφικτό να αναπτυχθεί ένα μοντέλο πρόβλεψης το οποίο να έχει την δυνατότητα να τροφοδοτείται με δεδομένα σχετικά με την διασπορά του Covid-19 και να εκτιμάται με ικανοποιητική ακρίβεια το ύψος του πλήθους των θανάτων στο μέλλον. Για την ανάπτυξη του μοντέλου πρόβλεψης χρησιμοποιούνται αλγόριθμοι που στηρίζονται στα νευρωνικά δίκτυα. Η αρχιτεκτονική που εξετάστηκε ήταν αυτή των αναδρομικών νευρωνικών δικτύων (Recurrent Neural Networks) που στηρίζεται στην αναδρομική τροφοδοσία των εισόδων. Στην διάρκεια της πειραματικής διαδικασίας, πραγματοποιήθηκε σύγκριση του νευρωνικού δικτύου με το δίκτυο ακτινικής συμμετρίας (Radial Basis Function) με σκοπό την εύρεση του καταλληλότερου μοντέλου προβλέψεων για τα συγκεκριμένα δεδομένα βάσει αποτελεσμάτων. Τα αποτελέσματα επιβεβαίωσαν ότι τα αναδρομικά νευρωνικά δίκτυα αποδίδουν καλύτερα σε σχέση με τα δίκτυα RBF για τα συγκεκριμένα δεδομένα χρονοσειρών.el
dc.format.extent65el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.el*
dc.subjectΑναδρομικά νευρωνικά δίκτυαel
dc.subjectΜηχανική μάθησηel
dc.subjectCovid-19el
dc.subjectΔίκτυα ακτινικής συμμετρίαςel
dc.subjectRBFel
dc.titleΠρόβλεψη των θανάτων από COVID-19 με χρήση αναδρομικών νευρωνικών δικτύωνel
dc.title.alternativePredicting Covid-19 deaths using recurrent neural networksel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeZois, Elias
dc.contributor.committeePapadopoulos, Perikles
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.contributor.masterΔιαδίκτυο των Πραγμάτων και Ευφυή Περιβάλλονταel
dc.description.abstracttranslatedThe aim of this Thesis is to study neural network algorithms in order to predict data and draw conclusions related to the Covid-19 pandemic. The topic of the pandemic concerns the entire humanity in several ways in many different fields, so the increased interest in the course of its spread often guides the orientation of research. Neural Networks is a subfield of artificial intelligence which has brought to the surface new perspectives, challenges and solutions in the field of technology. In the present research, the question is whether it is possible to develop a prediction model that has the ability to be fed with data about the spread of Covid-19 and estimate with sufficient accuracy the number of deaths in the future. Algorithms based on neural networks are used to develop the prediction model. The architecture that was examined was that of recurrent neural networks (RNNs) which is based on the recursive feeding of the inputs. During the experimental process, a comparison of the neural network with the Radial Basis Function (RBF) model was carried out in order to find the model which more efficiently handles that type of data. The results confirmed that RNNs perform better than RBF networks for the particular time series data.el


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