Please use this identifier to cite or link to this item:
http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18251
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Κρανιάς, Δημήτριος | - |
dc.date.accessioned | 2022-03-08T16:48:21Z | - |
dc.date.available | 2022-03-08T16:48:21Z | - |
dc.date.issued | 2022-03-08 | - |
dc.identifier.uri | http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18251 | - |
dc.description.abstract | Η ανάγκη για την αντιμετώπιση του κινδύνου των κυβερνοεπιθέσεων στον τομέα της υγείας είναι ένα μείζον θέμα και χρήζει άμεσης αντιμετώπισης. Για να πραγματοποιηθεί αυτό υπάρχουν αρκετοί τρόποι, όμως αυτός που αποτέλεσε κίνητρο για την διπλωματική αυτή, ήταν η παρακολούθηση της κίνησης των διαφόρων χρηστών για τον εντοπισμό ασυνήθιστων συμπεριφορών. Για να επιτευχθεί αυτό, το σύνολο από διαθέσιμα πραγματικά νοσοκομειακά δεδομένα δεν επαρκεί και χρειάστηκαν συνθετικά, αληθοφανή δεδομένα για να το συμπληρώσουν. Αντικείμενο της παρούσας διπλωματικής αποτελεί η ανάλυση των πραγματικών νοσοκομειακών δεδομένων κίνησης και η παραγωγή συνθετικών δεδομένων με παραγωγικά μοντέλα μηχανικής μάθησης. Στο στάδιο της ανάλυσης, μετά την ανωνυμοποίηση των ευαίσθητων πληροφοριών, εξετάστηκαν οι κατανομές κάποιων πεδίων των δεδομένων ώστε να εξαχθούν χρήσιμα συμπεράσματα για αυτές. Στην συνέχεια, έγινε κατηγοριοποίηση ορισμένων χρηστών που χρησιμοποιούν νοσοκομειακές υπηρεσίες και από τους οποίους θα γίνει η παραγωγή δεδομένων στο τελικό βήμα. Έπειτα πραγματοποιήθηκε μια συσταδοποίηση αυτών των χρηστών (για κίνηση προς συγκεκριμένες υπηρεσίες) για τον έλεγχο του πόσο κοντά είναι οι χρήστες ίδιων υπηρεσιών. Τέλος, εκπαιδεύτηκαν διάφορα γεννητικά μοντέλα μηχανικής μάθησης, μεταξύ των οποίων και μοντέλα βαθιάς μάθησης (Γεννητικά Ανταγωνιστικά Δίκτυα και Variational Autoncoders), σε διάφορα υποσύνολα των δεδομένων. Με αυτά τα εκπαιδευμένα μοντέλα παρήχθησαν τα συνθετικά δεδομένα τα οποία και αξιολογήθηκαν με ορισμένες μεθόδους και μετρικές. Έτσι, προέκυψαν τα πλεονεκτήματα και τα μειονεκτήματα των μοντέλων και οι περιπτώσεις στις οποίες το καθένα θα ήταν χρήσιμο. | en_US |
dc.language | el | en_US |
dc.subject | Διερευνητική Ανάλυση Δεδομένων | en_US |
dc.subject | Συσταδοποίηση | en_US |
dc.subject | Βαθιά Μάθηση | en_US |
dc.subject | Γεννητικά Ανταγωνιστικά Δίκτυα | en_US |
dc.subject | Γκαουσιανά Μοντέλα Μείξης | en_US |
dc.subject | Παραγωγή Δεδομένων | en_US |
dc.subject | Exploratory Data Analysis | en_US |
dc.subject | Clustering | en_US |
dc.subject | Deep Learning | en_US |
dc.subject | Generative Adversarial Networks | en_US |
dc.subject | Variational Autoencoders | en_US |
dc.subject | Gaussian Mixture Models | en_US |
dc.subject | Data Generation | en_US |
dc.title | Ανάλυση και Παραγωγή Δεδομένων Κίνησης Νοσοκομειακού Δικτύου με Χρήση Παραγωγικών Μοντέλων Μηχανικής Μάθησης | en_US |
dc.description.pages | 96 | en_US |
dc.contributor.supervisor | Ασκούνης Δημήτριος | en_US |
dc.department | Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων | en_US |
Appears in Collections: | Διπλωματικές Εργασίες - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Dimitrios Kranias Diploma Thesis.pdf | 7.78 MB | Adobe PDF | View/Open |
Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.