Ανίχνευση ανωμαλιών με την χρήση μηχανικής μάθησης

Τουτουντζάκης, Άγγελος

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

Files in this item

Name:: Toutountzakis_18389047.pdf
Size:: 1.793Mb
Format:: PDF
Description:: Διπλωματική Εργασία

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής

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