Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19757
Title: Edge Computing Real-Time Deployment of Anomaly Detection Machine Learning Algorithms
Authors: Δημητριάδης, Μιχαήλ Παναγιώτης
Βαρβαρίγου Θεοδώρα
Keywords: Machine Learning, Anomaly Detection, Continuous Integration/ Continuous Deployment (CI/CD), Full Stack Web Development, DevOps, Docker, Deployment at Scale, Portainer, Raspberry
Μηχανική Μάθηση, Ανίχνευση Ανωμαλιών, Συνεχής Ενσωμάτωση/Συνεχής Ανάπτυξη (CI/CD), Ανάπτυξη Ιστοσελίδων Full Stack, DevOps, Docker, Ανάπτυξη σε Κλίμακα, Portainer, Raspberry.
Issue Date: 15-Feb-2024
Abstract: Η αξιοπιστία των δεδομένων από αισθητήρες είναι κρίσιμη σε τομείς όπως η παρακολούθηση της υγείας κτιριακών κατασκευών. Με την πάροδο του χρόνου, οι αισθητήρες μπορεί να παρουσιάσουν δυσλειτουργίες, παράγοντας ανώμαλα δεδομένα που οδηγούν σε λανθασμένα συμπεράσματα. Η Μηχανική Μάθηση (ML) και ειδικότερα η Ανίχνευση Ανωμαλιών προσφέρει λύση, εντοπίζοντας ελαττώματα και διασφαλίζοντας την ποιότητα των δεδομένων. Η υλοποίηση τέτοιων αλγορίθμων σε απομακρυσμένα σημεία απαιτεί λύσεις edge computing. Αναπτύσσοντας ενσωματωμένα συστήματα ανά κτίριο σε τοπικό επίπεδο, οι αλγόριθμοι ML μπορούν να εκτελούνται επιτόπου, εντοπίζοντας ανωμαλίες τοπικά, μειώνοντας την ανάγκη για κεντρική επεξεργασία.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19757
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Final Thesis.pdf2.16 MBAdobe PDFView/Open


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