dc.contributor.advisor | Karkazis, Panagiotis | |
dc.contributor.author | Μπουρλέσης, Κωνσταντίνος | |
dc.date.accessioned | 2024-10-30T16:13:14Z | |
dc.date.available | 2024-10-30T16:13:14Z | |
dc.date.issued | 2024-09 | |
dc.identifier.uri | https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7930 | |
dc.identifier.uri | http://dx.doi.org/10.26265/polynoe-7762 | |
dc.description.abstract | Αυτή η διπλωματική διατριβή διερευνά την ενοποίηση διαφόρων τεχνολογιών,
συμπεριλαμβανομένης της εικονικοποίησης, του υπολογιστικού νέφους και άκρου, των
ενσωματωμένων συστημάτων και της τεχνητής νοημοσύνης με έμφαση στη μηχανική μάθηση.
Ξεκινά με μια εισαγωγή στην εικονικοποίηση, περιγράφοντας λεπτομερώς την ιστορική
εξέλιξη, τους τύπους και τις τεχνικές της. Στη συνέχεια, εμβαθύνει στο νέφος και στην
υπολογιστική στο άκρο, συζητώντας τα χαρακτηριστικά, τα μοντέλα ανάπτυξης και τα οφέλη
τους. Η ενότητα για τα ενσωματωμένα συστήματα υπογραμμίζει την εξέλιξη, τις περιπτώσεις
χρήσης και τις αρχιτεκτονικές τους. Ενώ η ενότητα της τεχνητής νοημοσύνης και μηχανικής
μάθησης περιγράφει βασικές εξελίξεις, δημοφιλείς αλγόριθμους και την ενσωμάτωση της
μηχανικής μάθησης στα ενσωματωμένα συστήματα. Στο τελευταίο κεφάλαιο παρουσιάζεται
η ανάπτυξη ενός αυτόνομου οχήματος που μέσω ενός συνελικτικού νευρωνικού δικτύου
αναγνωρίζει και κινείται ανάλογα με τις πινακίδες κυκλοφορίας. Παρέχει επίσης, πρακτικές
γνώσεις για τη δημιουργία και την εκπαίδευση μοντέλων μηχανικής μάθησης,
χρησιμοποιώντας πλατφόρμες όπως το Arduino και το Raspberry Pi. Τέλος, η διατριβή
ολοκληρώνεται με ευρήματα και βελτιστοποιήσεις, προσφέροντας συστάσεις για μελλοντικές
βελτιώσεις στην ανάπτυξη και την αποτελεσματικότητα του συστήματος | el |
dc.format.extent | 114 | 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 | Εικονικοποίηση | el |
dc.subject | Μηχανική μάθηση | el |
dc.subject | Ενσωματωμένα συστήματα | el |
dc.subject | Edge computing | el |
dc.title | Τεχνητή νοημοσύνη στο άκρο: ενδυναμώνοντας τα ενσωματωμένα συστήματα για έξυπνα περιβάλλοντα | el |
dc.title.alternative | Artificial intelligence at the edge: empowering embedded systems for smart environments | el |
dc.type | Διπλωματική εργασία | el |
dc.contributor.committee | Miridakis, Nikolaos | |
dc.contributor.committee | Μαυρομμάτης, Κωνσταντίνος | |
dc.contributor.faculty | Σχολή Μηχανικών | el |
dc.contributor.department | Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών | el |
dc.description.abstracttranslated | This thesis explores the integration of various technologies, including virtualization,
cloud and edge computing, embedded systems, and artificial intelligence with an emphasis on
machine learning. It begins with an introduction to virtualization, detailing its historical
development, types, and techniques. It then delves into cloud and edge computing, discussing
their features, deployment models, and benefits. The embedded systems section highlights
their evolution, use cases, and architectures. While the artificial intelligence and machine
learning section describes key developments, popular algorithms and the integration of
machine learning into embedded systems. In the last chapter, the development of a self-driving
vehicle that, through a convolutional neural network, recognizes and moves according to traffic
signs. It also provides practical insights into building and training machine learning models
using platforms such as Arduino and Raspberry Pi. Finally, the thesis concludes with findings
and optimizations, offering recommendations for future improvements in system development
and efficiency. | el |