Μελέτη στη μηχανική μάθηση και την επιστήμη των δεδομένων με έμφαση στην υλοποίηση αλγορίθμων συσταδοποίησης με τη γλώσσα προγραμματισμού python

Μανωλιτζάς, Αθανάσιος

dc.contributor.advisor	Μυλωνάς, Φοίβος
dc.contributor.author	Μανωλιτζάς, Αθανάσιος
dc.date.accessioned	2024-04-30T08:05:12Z
dc.date.available	2024-04-30T08:05:12Z
dc.date.issued	2024-04-29
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/6664
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-6500
dc.description.abstract	Η επιστήμη για πολλά χρόνια, προσπαθεί να κατανοήσει και να εκλογικέψει τον τρόπο με τον οποίο ο άνθρωπος έχει την ικανότητα να σκέφτεται. Η προσπάθεια της κατανόησης της σκέψης του ανθρώπου δημιούργησε μια νέα επιστήμη που τα τελευταία χρόνια είναι ραγδαίως αναπτυσσόμενη, την επιστήμη της τεχνητής νοημοσύνης. Το πεδίο ανάπτυξης της επιστήμης αυτής είναι όχι μόνο η κατανόηση αλλά και η δημιουργία ευφυιών οντοτήτων. Υπάρχει σήμερα ένα μεγάλο εύρος υποπεδίων που εμπεριέχονται στην τεχνητή νοημοσύνη, με ένα από τα πιο βασικά αυτό της μηχανικής μάθησης. Η μηχανική μάθηση καλύπτει την μελέτη αλγορίθμων υπολογιστικών συστημάτων των οποίων η απόδοση βελτιώνεται αυτόματα, μαθαίνοντας μέσω της εμπειρίας, με σκοπό την απόκτηση της ικανότητας της πρόβλεψης μέσω της μάθησης. Τα δεδομένα που καλείται να διαχειριστεί το πεδίο της μηχανικής μάθησης δεν είναι φυσικά ούτε λίγα αλλά ούτε και απλά στη δόμησή τους. Το internet, οι συσκευές IoT και γενικά πολλά από αυτά που μας περιβάλλουν, δημιουργούν ένα τεράστιο όγκο πολύπλοκων δεδομένων, ο οποίος αυξάνεται εκθετικά με την πάροδο του χρόνου. Η μείωση της δυσκολίας και του κόστους συλλογής και διαχείρισης αυτών των δεδομένων γνωστών ως Big Data, προκειμένου να αξιοποιηθούν συντέλεσε στην ανάπτυξη του πεδίου της μηχανικής μάθησης. Στο πρώτο μέρος της διπλωματικής αυτής, πραγματοποιείται μελέτη στην επιστήμη των δεδομένων και της μηχανικής μάθησης, αναλύοντας τις βασικές αρχές που τις διέπουν. Περιγράφονται οι βασικοί μέθοδοι και τεχνικές που συγκροτούν αυτές τις επιστήμες όπως είναι η μάθηση με και χωρίς επίβλεψη, καθώς και οι βασικοί αλγόριθμοι που χρησιμοποιούνται, όπως τα τεχνητά νευρωνικά δίκτυα, αλγόριθμοι κατηγοριοποίησης και συσταδοποίησης. Στο δεύτερο μέρος δίνεται έμφαση στην υλοποίηση εφαρμογής στην γλώσσα προγραμματισμού python, η οποία χρησιμοποιεί την επιστήμη της μηχανικής μάθησης χωρίς επίβλεψη και ειδικότερα τον αλγόριθμο K-means με σκοπό την πρόβλεψη της οδηγικής συμπεριφοράς. Η δυνατότητα μοντελοποίησης της ρεαλιστικής οδηγικής συμπεριφοράς είναι χρήσιμη με εφαρμογές ποιότητας, που είναι επωφελείς για τη βελτίωση της ασφάλειας του οδηγού, την αποφυγή τροχαίων ατυχημάτων, τη μείωση της κατανάλωσης καυσίμου και στις αυτοκινητοβιομηχανίες στο σύνολό τους. Σκοπός της εφαρμογής είναι η αποκόμιση συμπερασμάτων, όπως αν η μηχανική μάθηση και ειδικότερα η μάθηση χωρίς επίβλεψη είναι ικανή να μοντελοποιήσει αξιόπιστα την ρεαλιστική οδηγική συμπεριφορά, χρησιμοποιώντας τα κατάλληλα εργαλεία, μεθόδους, τεχνικές και αλγόριθμους που προσφέρονται από την επιστήμη της μηχανικής μάθησης μέσω της γλώσσας προγραμματισμού της python, καταλήγοντας σε αυτά που είναι ιδανικότερα.	el
dc.format.extent	181	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.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el	*
dc.subject	Tεχνητή νοημοσύνη	el
dc.subject	Eξόρυξη δεδομένων	el
dc.subject	Mηχανική μάθηση	el
dc.subject	Mάθηση με επίβλεψη	el
dc.subject	Mάθηση χωρίς επίβλεψη	el
dc.subject	Tεχνητά νευρωνικά δίκτυα	el
dc.subject	Pρόβλεψη οδηγικής συμπεριφοράς	el
dc.title	Μελέτη στη μηχανική μάθηση και την επιστήμη των δεδομένων με έμφαση στην υλοποίηση αλγορίθμων συσταδοποίησης με τη γλώσσα προγραμματισμού python	el
dc.title.alternative	Study in machine learning and data science with an emphasis on implementing clustering algorithms with the python programming language	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el
dc.contributor.committee	Σγουροπούλου, Κλειώ
dc.contributor.committee	Troussas, Christos
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.contributor.master	Προηγμένες Τεχνολογίες Υπολογιστικών Συστημάτων	el
dc.description.abstracttranslated	Science for many years has been trying to understand and rationalize the way humans have the ability to think. The effort to understand human thought has created a new science that has been developing rapidly in recent years, the science of artificial intelligence. The field of development of this science is not only understanding but also the creation of intelligent entities. There is currently a wide range of subfields involved in artificial intelligence, with one of the most fundamental being that of machine learning. Machine learning covers the study of computational systems algorithms whose performance improves automatically, learning through experience, in order to acquire the ability to predict through learning. The data that the field of machine learning is called upon to manage is of course neither few nor simple in its structure. The internet, IoT devices and generally much of what surrounds us, creates a huge volume of complex data, which grows exponentially over time. Reducing the difficulty and cost of collecting and managing this data, known as Big Data, in order to make use of it has contributed to the development of the field of machine learning. At the first part of this diploma, a study is carried out in the science of data and machine learning, analyzing the basic principles that govern them. The basic methods and techniques that make up these sciences are described, such as learning with and without supervision, as well as the basic algorithms used, such as artificial neural networks, categorization and clustering algorithms. The second part emphasizes the implementation of an application in the python programming language, which uses the science of unsupervised machine learning and in particular the K-means algorithm in order to predict driving behavior. The ability to model realistic driving behavior is useful with quality applications, which are beneficial for improving driver safety, avoiding traffic accidents, reducing fuel consumption, and the automotive industry as a whole. The purpose of the application is to draw conclusions, such as whether machine learning and in particular unsupervised learning is able to reliably model realistic driving behavior, using the appropriate tools, methods, techniques and algorithms offered by the science of machine learning through language of python programming, ending up with the ones that are most ideal.	el

Files in this item

Name:: Manolitzas_22017.pdf
Size:: 6.104Mb
Format:: PDF
Description:: Μεταπτυχιακή εργασία

View/Open

This item appears in the following Collection(s)

Μεταπτυχιακές διπλωματικές εργασίες - Προηγμένες Τεχνολογίες Υπολογιστικών Συστημάτων
Μεταπτυχιακές διπλωματικές εργασίες ΠΜΣ Προηγμένες Τεχνολογίες Υπολογιστικών Συστημάτων

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