Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18923
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΚαραμπλιάς, Βασίλειος-
dc.date.accessioned2023-11-20T07:01:07Z-
dc.date.available2023-11-20T07:01:07Z-
dc.date.issued2023-11-16-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18923-
dc.description.abstractΣτόχος 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.en_US
dc.languageelen_US
dc.subjectΜηχανική Μάθησηen_US
dc.subjectΕπιβλεπόμενη Μάθησηen_US
dc.subjectΜη Επιβλεπόμενη Μάθησηen_US
dc.subjectΕνισχυτική Μάθησηen_US
dc.subjectΝευρωνικά Δίκτυαen_US
dc.subjectΒαθιά Μάθησηen_US
dc.subjectΕκπαίδευση Μοντέλουen_US
dc.subjectΠρόβλεψη Κατανάλωσης Καυσίμουen_US
dc.titleΤεχνικές Ανάπτυξης Αλγορίθμων Μηχανικής Μάθησης: Επισκόπηση Μεθόδων και Εφαρμογή σε Ναυτιλιακά Δεδομέναen_US
dc.description.pages75en_US
dc.contributor.supervisorΚαψάλης Χρήστοςen_US
dc.departmentΤομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικώνen_US
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Διπλωματική Εργασία - Καραμπλιάς Βασίλειος.pdf1.67 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.