Διάγνωση διαβήτη με χρήση τεχνικών μηχανικής μάθησης

Χατζηαθανασίου-Καρακάσης, Δημήτριος

dc.contributor.advisor	Βασιλάς, Νικόλαος
dc.contributor.author	Χατζηαθανασίου-Καρακάσης, Δημήτριος
dc.date.accessioned	2024-07-31T19:53:23Z
dc.date.available	2024-07-31T19:53:23Z
dc.date.issued	2024-07-30
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7283
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7115
dc.description.abstract	Στη διπλωματική αυτή θα εξεταστούν διάφορες τεχνικές μηχανικής μάθησης όπως πολυστρωματικά ευρωνικά δίκτυα (MLPs), μηχανές διανυσμάτων υποστήριξης (SVM) και δίκτυα ακτινικής βάσης (RBF etworks) για τη διάγνωση της ασθένειας του διαβήτη. Για την εκπαίδευση των μοντέλων και την αποτίμηση της γενικευτικής τους ικανότητας θα χρησιμοποιηθεί το Diabetes Prediction Dataset που περιλαμβάνει 00.000 δείγματα. Τέλος, θα δοθεί έμφαση στην επιλογή των υπερπαραμέτρων των διαφόρων μοντέλων (π.χ. υθμός εκμάθησης, dropout rate, κλπ.) και θα δοκιμαστούν μέθοδοι συνόλων bagging, boosting για την ελτίωση των αποτελεσμάτων.	el
dc.format.extent	56	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	Python	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Πολυστρωματικά Perceptron	el
dc.subject	Bagging	el
dc.subject	Πρόβλεψη διαβήτη	el
dc.title	Διάγνωση διαβήτη με χρήση τεχνικών μηχανικής μάθησης	el
dc.title.alternative	Diabetes diagnosis using machine learning algorithms	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Γεωργουλάκη, Χριστίνα
dc.contributor.committee	Μπαρδής, Γεώργιος
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	This thesis examines various machine learning techniques such as Multilayer Perceptrons (MLPs), Support Vector Machines (SVMs), and Radial Basis Function (RBF) networks for diagnosing diabetes. The Diabetes Prediction Dataset containing 100,000 samples will be used for training the models and evaluating their generalization ability. Furthermore, emphasis will be placed on selecting the hyperparameters of the different models (e.g., learning rate, dropout rate, etc.), and bagging and boosting methods will be experimented with to improve the results.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: ChatziathanasiouKarakasis_1412 ...
Μέγεθος:: 1.695Mb
Τύπος:: PDF
Περιγραφή:: Διπλωματική Εργασία

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

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