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/123456789/19757
Τίτλος: Edge Computing Real-Time Deployment of Anomaly Detection Machine Learning Algorithms
Συγγραφείς: Δημητριάδης, Μιχαήλ Παναγιώτης
Βαρβαρίγου Θεοδώρα
Λέξεις κλειδιά: 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.
Ημερομηνία έκδοσης: 15-Φεβ-2024
Περίληψη: 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
Εμφανίζεται στις συλλογές:Διπλωματικές Εργασίες - Theses

Αρχεία σε αυτό το τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
Final Thesis.pdf2.16 MBAdobe PDFΕμφάνιση/Άνοιγμα


Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.