Εμφάνιση απλής εγγραφής

Ανίχνευση ανωμαλιών με την χρήση μηχανικής μάθησης

dc.contributor.advisorNikolaou, Grigoris
dc.contributor.authorΤουτουντζάκης, Άγγελος
dc.date.accessioned2023-07-26T14:05:49Z
dc.date.available2023-07-26T14:05:49Z
dc.date.issued2023-07
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/4854
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-4692
dc.description.abstractΣτόχος της συγκεκριμένης διπλωματικής εργασίας είναι η ανίχνευση ανωμαλιών με την χρήση μηχανικής μάθησης. Στα πλαίσια της εργασίας αυτής, αναλύονται οι έννοιες της μηχανικής μάθησης, της ανίχνευσης ανωμαλιών καθώς επίσης κατασκευάστηκαν συνολικά 9 μοντέλα μηχανικής μάθησης για την αναγνώριση ακραίων τιμών και την πρόβλεψη νέων πιθανών ανωμαλιών στα θερμοκρασιακά δεδομένα ενός μεγάλου βιομηχανικού κινητήρα. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από σύνολο δεδομένων Numenta Anomaly Benchmark που περιέχει πραγματικές καταγραφές δεδομένων από επιχειρήσεις και βιομηχανίες.el
dc.format.extent73el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΜηχανική μάθησηel
dc.subjectΑνίχνευση ανωμαλιώνel
dc.subjectΑλγόριθμοιel
dc.subjectOutlier detectionel
dc.subjectNovelty detectionel
dc.subjectIsolation forestel
dc.subjectOne Class SVMel
dc.subjectLocal outlier factorel
dc.subjectElliptic envelopeel
dc.titleΑνίχνευση ανωμαλιών με την χρήση μηχανικής μάθησηςel
dc.title.alternativeAnomaly detection with machine 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.abstracttranslatedThe aim of this thesis is the detection of anomalies using machine learning on industry data. In the context of this thesis, the concepts of machine learning and anomaly detection are analyzed, as well as a total of 9 machine learning models were built to identify extreme values and predict new possible anomalies in the temperature data of a large industrial engine. The data used comes from Numenta Anomaly Benchmark dataset which contains real data records from businesses and industries.el


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές