Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)
Permanent URI for this collection
Browse
Recent Submissions
- ItemOpen AccessΕκμάθηση στρατηγικών μέσω μίμησης χρησιμοποιώντας vision transformers(2023-06-02)Οι φωτογραφίες που λαμβάνονται με drone περιλαμβάνουν μια μεγάλη σειρά χαρακτηριστικών. Αυτά τα χαρακτηριστικά προβάλουν τεράστιες δυσκολίες για εφαρμογές που βασίζονται σε συνηθισμένα συνελικτικά δίκτυα. Πρόσφατες εργασίες πάνω σε Μετασχηματιστές όρασης έδειξαν πώς οι τοπολογίες μετασχηματιστών προσφέρουν πολλές δυνατότητες στο τομέα της όρασης των υπολογιστών. Αυτή η διπλωματική εργασία παρουσιάζει μια μέθοδο για την αυτόνομη πλοήγηση εναέριων drones κατά μήκος προκαθορισμένων μονοπατιών χρησιμοποιώντας μόνο οπτική είσοδο από κάμερες επί του σκάφους. Πιο συγκεκριμένα, δημιουργήσαμε και αξιολογήσαμε τρεις διακριτές αρχιτεκτονικές συστημάτων: ένα μοντέλο πολυστρωματικού perceptron, ένα συνελικτικό μοντέλο και ένα μοντέλο μετασχηματιστή όρασης. Χρησιμοποιώντας τον ελεγκτή PID και την εκμάθηση μίμησης για πλοήγηση, δημιουργήσαμε ένα σύνολο δεδομένων εκπαίδευσης. Τα ευρήματα των δοκιμών μας έδειξαν ότι τα μοντέλα συνέλιξης και μετασχηματιστή όρασης απέδωσαν καλύτερα από το μοντέλο πολυστρωματικού perceptron. Η έρευνά μας καταδεικνύει την ικανότητα της όρασης υπολογιστή και των μεθόδων βαθιάς μάθησης για τη βελτίωση της ακρίβειας και της ευρωστίας των συστημάτων πλοήγησης drone. Η ικανότητα ακριβούς και αξιόπιστης πλοήγησης σε περίπλοκο και δυναμικό περιβάλλον θα είναι πολύ σημαντική και χρήσιμη καθώς τα drones γίνονται πιο κοινά σε μια ποικιλία εφαρμογών.
- ItemOpen AccessΑυτόματη εξαγωγή περίληψης με χρήση νευρωνικών δικτύων γράφων και θεματικής μοντελοποίησης(2023-06-29)Η εποχή μας χαρακτηρίζεται τον τεράστιο όγκο πληροφορίας με τον οποίο έρχεται αντιμέτωπος ο σημερινός άνθρωπος. Προκειμένου να μπορέσει να την διαχειριστεί αποτελεσματικά είναι σημαντικό να μπορεί να έχει την δυνατότητα να διαβάσει συνόψεις έναντι ολόκληρου του κειμένου ή άρθρου. Οπότε κρίνονται ιδιαίτερα χρήσιμα τα συστήματα που παράγουν αυτοματοποιημένες περιλήψεις ώστε να μπορέσουν να διευκολύνουν τον αναγνώστη. Όμως οι περιλήψεις που παράγονται από υπολογιστές δυσκολεύονται να εντοπίσουν την σχέση μεταξύ προτάσεων καθώς χρησιμοποιούνται κυρίως ακολουθιακά νευρωνικά δίκτυα. Έτσι κρίνεται αναγκαίο να χρησιμοποιηθούν διαφορετικές μοντελοποιήσεις των κειμένων έτσι ώστε να αναπαρίστανται καλύτερα τα δεδομένα. Αυτό το πρόβλημα έρχονται να λύσουν τα Graph Neural Networks τα οποία είναι ικανά να διαχειριστούν δεδομένα τα οποία που έχουν μορφή γραφήματος. Συνεπώς μπορούμε να δώσουμε σαν είσοδο σε αυτά τα δίκτυα γραφήματα που αναπαριστούν τις σχέσεις μεταξύ των προτάσεων εμπλουτισμένα με επιπλέον χρήσιμες πληροφορίες. Αυτή η προσέγγιση έχει αποδώσει αξιοσημείωτα αποτελέσματα ιδίως σε μεγάλα κείμενα που η πληροφορία μπορεί να επαναλαμβάνεται σε διαφορετικά σημεία του κειμένου. Σε αυτή την διπλωματική θα γίνει μια ανασκόπηση γύρω από την θεωρία πίσω από την μηχανική μάθηση μέσω γραφημάτων, θα αναλυθεί το πρόβλημα της αυτοματοποιημένης περίληψης και τέλος θα υλοποιηθεί και θα αξιολογηθεί ένα σύστημα το οποίο θα παράγει αυτοματοποιημένες περιλήψεις με εξαγωγικό τρόπο με την χρήση Νευρωνικών Δικτύων Γράφων και Θεματικής Μοντελοποίησης.
- ItemOpen AccessΑνάλυση περιβαλλοντικών δεδομένων σε περιβάλλον Apache Spark με MCMC τεχνικές δειγματοληψίας και μηχανικής μάθησης(2023-05)Η ανάλυση περιβαλλοντικών δεδομένων συμβάλλει άμεσα στην κατανόηση των επιπτώσεων της ατμοσφαιρικής ρύπανσης, τόσο στην ανθρώπινη υγεία όσο και στο περιβάλλον. Με γνώμονα αυτές τις αναλύσεις μπορούν να διαμορφωθούν ενημερωμένες και επιστημονικά τεκμηριωμένες πολιτικές για την αντιμετώπιση περιβαλλοντικών ζητημάτων. Η παρούσα εργασία μελετά τη χρήση του περιβάλλοντος Apache Spark, της δειγματοληψίας MCMC και των μεθόδων μηχανικής μάθησης(ML) για την ανάλυση περιβαλλοντικών δεδομένων, συγκεκριμένα των συγκεντρώσεων ατμοσφαιρικών ρύπων στην πόλη της Μαδρίτης, από τον Ιανουάριο του 2001 έως τον Απρίλιο του 2018. Για την κατηγοριοποίηση του AQI σε «ασφαλές» ή «επικίνδυνο» χρησιμοποιείται Bayesian Logistic Regression με δειγματοληψία MCMC, ενώ το Apache Spark χρησιμοποιείται για την κλιμάκωση των προβλέψεων σε μεγαλύτερα σύνολα δεδομένων. Ενώ το κλασικό ML εξαρτάται από ένα σταθερό σύνολο παραμέτρων και προϋποθέτει πλήρη και ακριβή δεδομένα, το Bayesian ML ακολουθεί μια πιθανολογική προσέγγιση, συνδυάζοντας εκ των προτέρων πεποιθήσεις με τα δεδομένα που έχουν ήδη παρατηρηθεί, για τη δημιουργία μιας εκ των υστέρων κατανομής των παραμέτρων. Έτσι, επιτυγχάνεται πιο ισχυρή και ευέλικτη μοντελοποίηση και βελτιώνεται η ακρίβεια πρόβλεψης. Ποσοτικοποιεί επίσης την αβεβαιότητα των δεδομένων, στοιχείο σημαντικό για τη λήψη αποφάσεων υψηλής συνέπειας. Εδώ, το μοντέλο αρχικά εκπαιδεύεται χρησιμοποιώντας τα δεδομένα του 2017 και στη συνέχεια κάνει προβλέψεις στα δεδομένα δεκαοκταετιάς. Έπειτα, χρησιμοποιούνται τα ίδια δεδομένα την υλοποίηση Frequentist Logistic Regression σε Spark. Τα αποτελέσματα δείχνουν ότι τα Frequentist και Bayesian μοντέλα λογιστικής παλινδρόμησης εμφανίζουν παρόμοιες μετρικές για τα συγκεκριμένα δεδομένα, ωστόσο το Bayesian μοντέλο αποδίδει καλύτερα όσον αφορά τη μετρική "Recall/Specificity", με τιμές έως 0.9588. Συγκεκριμένα, επιστρέφει λιγότερα ψευδώς αρνητικά και θετικά αποτελέσματα, διασφαλίζοντας ότι το AQI δεν ταξινομείται λανθασμένα ως ασφαλές. Συμπεραίνεται επομένως ότι το Bayesian ML αποτελεί χρήσιμο εργαλείο για την ανάλυση περιβαλλοντικών δεδομένων, ιδίως σε περιπτώσεις λήψης αποφάσεων με υψηλή συνέπεια, όπου είναι απαραίτητο να λαμβάνεται υπόψη η αβεβαιότητα. Κλείνοντας, παρουσιάζονται προτάσεις για μελλοντική έρευνα, όπως είναι η περαιτέρω διερεύνηση των μοντέλων Bayesian μηχανικής μάθησης και η ανάπτυξη επεκτάσιμων αλγορίθμων για παράλληλη επεξεργασία. Η παρούσα εργασία τονίζει τη σημασία της ανάλυσης περιβαλλοντικών δεδομένων και αναδεικνύει τις δυνατότητες της Bayesian μηχανικής μάθησης και των τεχνολογιών μεγάλων δεδομένων στις δράσεις για την προστασία του περιβάλλοντος και της δημόσιας υγείας.
- ItemOpen AccessΨηφιακό marketing : προβλήματα στην επιλογή ακροατηρίου(2023-05-23)Η παρούσα διπλωματική εργασία δίνει μια επισκόπηση του Προβλήματος στην επιλογή ακροατηρίου στο Ψηφιακό Marketing, ή όπως κάποιος θα το συναντήσει στη διεθνή ορολογία του Programmatic Advertising. Σκοπός της είναι να βοηθήσει να αποσαφηνιστούν οι βασικές έννοιες στον κόσμο των διαφημιστικών δεδομένων και να παρέχει ένα πλαίσιο σκέψης για αυτό το θέμα. Η προγραμματική διαφήμιση είναι το πιο συναρπαστικό πράγμα που συνέβη στο μάρκετινγκ εδώ και πολύ καιρό – ίσως από την εμφάνιση της ίδιας της μαζικής διαφήμισης. Για τους σκοπούς αυτού της εργασίας, η διαφήμιση μέσω προγραμματισμού ορίζεται ως η αυτοματοποίηση αγοράς και πώλησης αποθέματος διαφημίσεων, που υποστηρίζεται από το οικοσύστημα Open RTB. Αν και αυτό μπορεί να ακούγεται σαν ένα απλό εξελικτικό βήμα, οι επιπτώσεις του είναι στην πραγματικότητα επαναστατικές. Η αυτοματοποίηση της διαδικασίας διαπραγμάτευσης αποθέματος διαφημίσεων είναι ένα θεμέλιο, που επιτρέπει μια εντελώς νέα προσέγγιση στην επικοινωνία μάρκετινγκ. Σε έναν κόσμο όπου κάθε εμφάνιση μπορεί να αγοραστεί και να πωληθεί ξεχωριστά, τα δεδομένα έρχονται στο προσκήνιο για να βοηθήσουν στη λήψη καλών αποφάσεων συναλλαγών. Στην πραγματικότητα, η τεχνολογία αυτοματισμού έχει σχεδιαστεί για να αντλεί τη δύναμή της από δεδομένα. Στην επανάσταση μέσω προγραμματισμού, οι έμποροι που έχουν πρόσβαση σε δεδομένα υψηλής ποιότητας και ξέρουν πώς να τα χρησιμοποιούν, κερδίζουν. Για πρώτη φορά στην ανθρώπινη ιστορία, η μαζική διαφήμιση μπορεί να προσαρμοστεί μεμονωμένα, μετατρέποντάς την σε αληθινή επικοινωνία ένας προς έναν. Ως συνδυασμός αυτοματισμού και δεδομένων, η διαφήμιση μέσω προγραμματισμού επιτρέπει στους επαγγελματίες του μάρκετινγκ να επωφεληθούν από όλα όσα γνωρίζουν για τον χρήστη που πρόκειται να δει μια διαφήμιση και να προσαρμόσουν την εμπειρία εν κινήσει. Για παράδειγμα, ένας κατασκευαστής αυτοκινήτων μπορεί να επικοινωνήσει με έναν συγκεκριμένο τρόπο με άτομα που είναι στην αγορά για ένα νέο αυτοκίνητο (και ίσως σκέφτονται το προϊόν ενός ανταγωνιστή) και να προσφέρει ένα διαφορετικό μήνυμα σε κάποιον που είναι πιστός πελάτης για δέκα χρόνια. Με περισσότερα δεδομένα και ολοένα και πιο εξελιγμένους αλγόριθμους για να το καταστήσετε εφικτό, η προσέγγιση των κατάλληλων ανθρώπων τη σωστή στιγμή με το σωστό μήνυμα δεν ήταν ποτέ ευκολότερη.
- ItemOpen AccessΤεχνητά νευρωνικά δίκτυα εφαρμοσμένα σε στατιστικά στοιχεία καλαθοσφαιριστών για την εκτίμηση της απόδοσής τους σε αγώνες(2023-05-11)Η παρούσα Διπλωματική Εργασία εκπονήθηκε στα πλαίσια του προπτυχιακού κύκλου σπουδών του Τμήματος Μηχανικών H/Y και Πληροφορικής της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών υπό την επίβλεψη του κ. Γεωργίου Πέτρου Οικονόμου μέλους του εργαστηριακού διδακτικού προσωπικού. Αρχικά, διατρέχει τη σχετική βιβλιογραφία, για την κατανόηση των νευρωνικών δικτύων και παρέχει ενδιαφέροντα στοιχεία για την καλαθοσφαίριση και το στοιχηματισμό. Εν συνεχεία, μελετώνται οι εφαρμογές των νευρωνικών δικτύων στις διάφορες πτυχές της καθημερινότητας μας και καταγράφονται τα βασικά είδη των νευρωνικών δικτύων. Στα τελευταία κεφάλαια, αναλύεται η υλοποίηση του επιλεχθέντος νευρωνικού δικτύου για πρόβλεψη της απόδοσης των καλαθοσφαιριστών καθώς και καλαθοσφαιριστριών στο Αμερικάνικο πρωτάθλημα καλαθοσφαίρισης. Σκοπός της συγκεκριμένης εργασίας είναι να διερευνηθεί η χρήση των αλγορίθμων τεχνητών νευρωνικών δικτύων (ANN) και του αλγορίθμου λειτουργίας βάσης ακτίνας (RBF) στην πρόβλεψη του μέσου αριθμού σκοραρίσματος των αθλητών και αθλητριών του NBA και WNBA αντίστοιχα. Με το αυξανόμενο ενδιαφέρον για την μηχανική μάθηση, η εφαρμογή των νευρωνικών δικτύων έχει γίνει όλο και πιο δημοφιλής σε διάφορους τομείς. Το NBA, ως έναν από τα πιο εξελιγμένα και διάσημα αθλητικά πρωταθλήματα, προσφέρει μια ιδανική ευκαιρία για να διερευνηθεί η αποτελεσματικότητα αυτών των αλγορίθμων στην πρόβλεψη της απόδοσης των παικτών. Η παρούσα εργασία θα εξετάσει την υλοποίηση των αλγορίθμων ANN και RBF στην πρόβλεψη του μέσου αριθμού σκοραρίσματος των παικτών και παικτριών του NBA και WNBA αντίστοιχα σύμφωνα με διάφορα χαρακτηριστικά, όπως η προηγούμενη απόδοση του παίκτη, όπου περιλαμβάνονται στατιστικά όπως ποσοστά ευστοχίας, ριμπάουντ κ.α. Τα αποτελέσματα αυτής της μελέτης θα συμβάλλουν στην καλύτερη κατανόηση της αποτελεσματικότητας των νευρωνικών δικτύων στην πρόβλεψη της απόδοσης, καθώς επίσης να δοθεί και το έναυσμα για την παροχή εισηγήσεων και σε άλλα αθλήματα. Η συλλογή και η ανάλυση των δεδομένων θα πραγματοποιηθεί με τη χρήση επιλεγμένων προγραμματιστικών εργαλείων και τεχνικών μηχανικής μάθησης, ενώ οι επιδόσεις των αλγορίθμων θα αξιολογηθούν μέσω της σύγκρισής τους με πραγματικά στατιστικά στοιχεία των παικτών του NBA.