dc.contributor.advisor | Nikolaou, Grigoris | |
dc.contributor.author | Τουτουντζάκης, Άγγελος | |
dc.date.accessioned | 2023-07-26T14:05:49Z | |
dc.date.available | 2023-07-26T14:05:49Z | |
dc.date.issued | 2023-07 | |
dc.identifier.uri | https://polynoe.lib.uniwa.gr/xmlui/handle/11400/4854 | |
dc.identifier.uri | http://dx.doi.org/10.26265/polynoe-4692 | |
dc.description.abstract | Στόχος 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.extent | 73 | 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.subject | Ανίχνευση ανωμαλιών | el |
dc.subject | Αλγόριθμοι | el |
dc.subject | Outlier detection | el |
dc.subject | Novelty detection | el |
dc.subject | Isolation forest | el |
dc.subject | One Class SVM | el |
dc.subject | Local outlier factor | el |
dc.subject | Elliptic envelope | el |
dc.title | Ανίχνευση ανωμαλιών με την χρήση μηχανικής μάθησης | el |
dc.title.alternative | Anomaly detection with machine learning | 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 | The 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 |