Please use this identifier to cite or link to this item:
http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18899
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Κουφού, Παναγιώτα-Ελευθερία | - |
dc.date.accessioned | 2023-11-10T08:05:19Z | - |
dc.date.available | 2023-11-10T08:05:19Z | - |
dc.date.issued | 2023-10-12 | - |
dc.identifier.uri | http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18899 | - |
dc.description.abstract | Κρίσιμο ζήτημα, για τον τομέα της ναυτιλίας αποτελεί ο έλεγχος της κατανάλωσης καυσίμου, για λόγους οικονομικούς και περιβαλλοντικούς. Στην παρούσα εργασία, το πρόβλημα αυτό αντιμετωπίζεται από την σκοπιά της συνεισφοράς που μπορεί να έχει η μηχανική μάθηση στην πρόβλεψη της κατανάλωσης καυσίμου, βάση άλλων χαρακτηριστικών του πλοίου και των καιρικών συνθηκών, την παρούσα χρονική στιγμή ή σε βάθος μικρού χρονικού ορίζοντα και στον εντοπισμό μοτίβων που συσχετίζουν την κατανάλωση καυσίμου με τα λοιπά χαρακτηριστικά. Στο θεωρητικό μέρος, παρουσιάστηκαν οι βασικές αρχές και βήματα λειτουργίας ενός πλήθους αλγορίθμων επιβλεπόμενης, συλλογικής, ομοσπονδιακής μάθησης και αναδρομικών νευρωνικών δικτύων. Ακόμα, συζητήθηκαν οι κυριότερες προσεγγίσεις στην προεπεξεργασία των δεδομένων και οι δημοφιλέστερες μετρικές αξιολόγησης μοντέλων επιβλεπόμενης μάθησης. Στο πρακτικό μέρος, παρουσιάστηκαν τα αποτελέσματα από την εφαρμογή αυτών των αλγορίθμων και μεθόδων στα πραγματικά δεδομένα πλοίων, για την επιλογή διαφορετικών υπερπαραμέτρων, σχολιάστηκαν και αξιολογήθηκαν ως προς την ικανότητα τους να παράγουν γενικευμένες προβλέψεις. Τέλος, έγινε αναφορά στην συνεισφορά της εργασίας μας και σε μελλοντικές προεκτάσεις που θα μπορούσε να έχει. | en_US |
dc.language | el | en_US |
dc.subject | μηχανική μάθηση, ναυτιλία, κατανάλωση καυσίμου, επιβλεπόμενη μάθηση, νευρωνικά δίκτυα, συλλογική μάθηση, συστήματα μακράς-βραχείας μνήμης, ομοσπονδιακή μάθηση, προεπεξεργασία | en_US |
dc.subject | machine learning, shipping, fuel consumption, supervised learning, neural networks, ensemble learning, long short-term memory (LSTM) systems, federated learning, preprocessing | en_US |
dc.title | Τεχνικές Μηχανικής Μάθησης για την πρόβλεψη και βελτιστοποίηση κατανάλωσης καυσίμου στην ναυτιλία | en_US |
dc.description.pages | 85 | en_US |
dc.contributor.supervisor | Κόλλιας Στέφανος | en_US |
dc.department | Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών | en_US |
Appears in Collections: | Διπλωματικές Εργασίες - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Διπλωματική_Κουφού_Παναγιώτα_final.pdf | 1.8 MB | Adobe PDF | View/Open |
Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.