Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19757
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΔημητριάδης, Μιχαήλ Παναγιώτης-
dc.date.accessioned2025-07-31T07:19:48Z-
dc.date.available2025-07-31T07:19:48Z-
dc.date.issued2024-02-15-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19757-
dc.description.abstractΗ 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.en_US
dc.languageenen_US
dc.subjectMachine Learning, Anomaly Detection, Continuous Integration/ Continuous Deployment (CI/CD), Full Stack Web Development, DevOps, Docker, Deployment at Scale, Portainer, Raspberryen_US
dc.subjectΜηχανική Μάθηση, Ανίχνευση Ανωμαλιών, Συνεχής Ενσωμάτωση/Συνεχής Ανάπτυξη (CI/CD), Ανάπτυξη Ιστοσελίδων Full Stack, DevOps, Docker, Ανάπτυξη σε Κλίμακα, Portainer, Raspberry.en_US
dc.titleEdge Computing Real-Time Deployment of Anomaly Detection Machine Learning Algorithmsen_US
dc.description.pages68en_US
dc.contributor.supervisorΒαρβαρίγου Θεοδώραen_US
dc.departmentΤομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικήςen_US
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.