Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18923
Τίτλος: Τεχνικές Ανάπτυξης Αλγορίθμων Μηχανικής Μάθησης: Επισκόπηση Μεθόδων και Εφαρμογή σε Ναυτιλιακά Δεδομένα
Συγγραφείς: Καραμπλιάς, Βασίλειος
Καψάλης Χρήστος
Λέξεις κλειδιά: Μηχανική Μάθηση
Επιβλεπόμενη Μάθηση
Μη Επιβλεπόμενη Μάθηση
Ενισχυτική Μάθηση
Νευρωνικά Δίκτυα
Βαθιά Μάθηση
Εκπαίδευση Μοντέλου
Πρόβλεψη Κατανάλωσης Καυσίμου
Ημερομηνία έκδοσης: 16-Νοε-2023
Περίληψη: Στόχος της παρούσας εργασίας είναι η εμβάθυνση στο πεδίο της Μηχανικής Μάθησης και των τεχνικών που περιλαμβάνει καθώς και η εφαρμογή αυτών στον τομέα της ναυτιλίας. Στα πρώτα έξι κεφάλαια, οι θεμελιώδεις έννοιες της μηχανικής μάθησης διερευνώνται διεξοδικά και μελετώνται κατηγορίες όπως η επιβλεπόμενη, η μη επιβλεπόμενη και η ενισχυτική μάθηση. Γίνεται σαφής η πολυπλοκότητα της διαδικασίας της εκπαίδευσης των μοντέλων μηχανικής μάθησης με έμφαση στην παλινδρόμηση και την κατηγοριοποίηση. Ένα σημαντικό μέρος της εργασίας αφορά επισκόπηση αλγορίθμων επιβλεπόμενης μάθησης, όπως η γραμμική και η πολυωνυμική παλινδρόμηση, η παλινδρόμηση με δένδρα αποφάσεων και τυχαία δάση και οι αλγόριθμοι XGBoost και ADABoost. Η εργασία περιλαμβάνει επίσης τεχνικές μη επιβλεπόμενης μάθησης, συμπεριλαμβανομένων αλγορίθμων ομαδοποίησης όπως η K-means ομαδοποίηση και η ιεραρχική ομαδοποίηση καθώς και αλγορίθμων μείωσης διαστάσεων όπως η ανάλυση κύριων συστατικών, η ανάλυση ανεξάρτητων συνιστωσών και η ανάλυση παραγόντων. Στο έβδομο κεφάλαιο παρουσιάζεται η βασική ιδέα και η δομή των νευρωνικών δικτύων, θεμελιώδεις έννοιες αυτών όπως η συνάρτηση ενεργοποίησης, η συνάρτηση κόστους και η μέθοδος οπισθοδρόμησης ενώ συγκρίνονται και τα απλά με τα βαθιά νευρωνικά δίκτυα πριν την εξέταση του τρόπου εκπαίδευσης και αξιολόγησης της απόδοσης των τελευταίων. Το τελευταίο κομμάτι της εργασίας περιλαμβάνει μία πρακτική εφαρμογή τεχνικών μηχανικής μάθησης σε ναυτιλιακά δεδομένα. Αλγόριθμοι μηχανικής μάθησης εφαρμόζονται για την πρόβλεψη της κατανάλωσης καυσίμου, μία παράμετρος υψίστης σημασίας στις θαλάσσιες μεταφορές. Μία νέα προσέγγιση, η Ομοσπονδιακή Μάθηση, εισάγεται και αντιπαρατίθεται με άλλες μεθοδολογίες για την αξιολόγηση της ακρίβειας και της πολυπλοκότητάς της στο περιβάλλον της ναυτιλίας. Μέσω αυτής της σύγκρισης αποκτώνται πρακτικές γνώσεις, και επιλέγονται βέλτιστες στρατηγικές μηχανικής μάθησης για την πρόβλεψη της κατανάλωσης καυσίμου στις θαλάσσιες επιχειρήσεις. Επιπλέον, εντοπίζονται ανοικτά ζητήματα και παρατίθενται τα σχετικά συμπεράσματα και μελλοντικές προεκτάσεις.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18923
Εμφανίζεται στις συλλογές:Διπλωματικές Εργασίες - Theses

Αρχεία σε αυτό το τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
Διπλωματική Εργασία - Καραμπλιάς Βασίλειος.pdf1.67 MBAdobe PDFΕμφάνιση/Άνοιγμα


Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.