Search Results

Now showing 1 - 10 of 46
  • Thumbnail Image
    Item
    Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους
    Καραδήμος, Νικόλαος; Karadimos, Nikolaos
    Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)
    Ένα από τα πιο σημαντικά ζητήματα στον τομέα της Ιατρικής είναι η έγκαιρη και έγκυρη διάγνωση ασθενειών. Για τον σκοπό αυτό έχουν χρησιμοποιηθεί διάφορες μέθοδοι μηχανικής μάθησης, οι οποίες μπορούν να δώσουν ακριβή αποτελέσματα σε σύντομο χρονικό διάστημα. Μια ενδιαφέρουσα και αποτελεσματική μέθοδος είναι αυτή των νευρωνικών δικτυών. Η ιστορία των νευρωνικών δικτύων ξεκινάει περίπου την δεκαετία του 1940 και 1950, με αφετηρία τον νευρώνα των McCulloch-Pitts, ενώ παράλληλα έκανε την εμφάνισή του και ο πρώτος αλγόριθμος εκπαίδευσης, o γνωστός Perceptron. Τα τελευταία χρόνια με την ραγδαία εξέλιξη των υπολογιστικών πόρων (CPUs, GPUs κτλ) και με την συσσώρευση τεράστιου όγκου δεδομένων, τα νευρωνικά δικτύα βρίσκουν ολοένα και περισσότερη εφαρμογή σε διάφορους τομείς της επιστήμης μεταξύ των οποίων είναι και η Ιατρική. Ιδιαιτερά στον τομέα της Ιατρικής τα νευρωνικά δίκτυα και η βαθειά μηχανική μάθηση (deep learning) χρησιμοποιούνται ευρέως και με ικανοποιητική αποτελεσματικότητα για την διάγνωση διαφόρων ασθενιών και την ληψη αποφάσεων. Στα πλαίσια λοίπoν της εφαρμογής των νευρωνικών δικτυών στον τομέα της Ιατρικής κινείται και η παρούσα διπλωματική εργασία, η οποία ασχολείται με ένα ιδιαίτερα ενδιαφέρον ζήτημα της διάγνωσης καρδιακών αρρυθμιών και συγκεκριμένα της κολπικής μαρμαρυγής, με την χρήση νευρωνικών δικτύων και τεχνικών βαθειάς μηχανικής μάθησης. Για τις ανάγκες της εργασιάς χρησιμοποιήθηκαν ηλεκτροκαρδιογραφήματα δύο κατηγορίων. Η μια κατηγορία αφόρα άτομα με φυσιολογική δραστηριότητα της καρδιάς, ενώ η άλλη κατηγορία αφόρα ασθενείς οι οποίοι διαγνώστηκαν με κολπική μαρμαρυγή. Για την συλλογή των δεδομένων χρησιμοποιήθηκε η πλατφόρμα Physionet και στην συνέχεια με την κατάλληλη επεξεργασία τα ηλεκτροκαρδιογραφήματα χρησιμοποιήθηκαν ως είσοδος ενός νευρωνικού δικτύου 8 κρυφών επιπέδων. Για την εκπαίδευση του νευρωνικού δικτύου έγιναν αρκετές δοκιμές κυριώς όσον αφορά των αριθμό των επίπεδων τον αριθμό των νευρώνων ανά επίπεδο, το ρυθμό εκπαίδευσης και άλλων παραμέτρων τα οποία παρούσιαζονται αναλυτικότερα σε παρακάτω κεφάλαια. Ως γλώσσα προγραμματισμού χρησιμοποιήθηκε η Python, η οποία τα τελευταία χρόνια είναι αρκετά δημοφιλής στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης καθώς διαθέτει μια πληθώρα βιβλιοθηκών, όπως Tensorflow, Keras κτλ.
  • Thumbnail Image
    Item
    Βαθιά μάθηση στη βιοπληροφορική
    Λαμπράκης, Χρήστος; Lamprakis, Christos
    Τμήμα Μαθηματικών (ΜΔΕ)
    Η βαθιά μάθηση, η οποία είναι ιδιαίτερα τρομερή στο χειρισμό μεγάλων δεδομένων, έχει επιτύχει μεγάλη πρόοδο σε διάφορους τομείς, συμπεριλαμβανομένης της Βιοπληροφορικής. Με τις εξελίξεις της μεγάλης εποχής των δεδομένων στη βιολογία, είναι προβλέψιμο ότι η βαθιά εκμάθηση θα αποκτήσει ολοένα και μεγαλύτερη σημασία στον τομέα. Σ΄ αυτή την εργασία, εισάγουμε την έννοια της βαθιάς μάθησης και παραδείγματα των αντιπροσωπευτικών εφαρμογών της στη βιοπληροφορική, συγκεκριμένα στα πεδία της γονιδιωματικής και της μεταγραφωματικής. Αναλυτικότερα, στο Κεφάλαιο 1, παρέχουμε βασικές αρχές καθώς και αλγορίθμους της Μηχανικής Μάθησης. Συγκεκριμένα, επικεντρονώμαστε σε τρεις τύπους μάθησης με επίβλεψη, τη γραμμική και λογιστική παλινδρόμηση όπως και στον αλγόριθμο των κ-Κοντινότερων γειτόνων. Ο λόγος είναι οτι θα συγκριθούν με τις δύο μεθόδους βαθιάς μάθησης που θα παρουσιαστούν στο Κεφάλαιο 3 την D-GEX και DanQ όπου και θα αποδειχθεί μέσω των πειραματικών αποτελεσμάτων ότι υστερούν. Στο Κεφάλαιο 2, γίνεται η ανάλυση της Βαθιάς Μάθησης, αλλά και των Βαθιά Νευρωνικών Δικτύων. Επιπλέον, αναδεικνύονται οι δύο θεμελιώδεις αρχιτεκτονικές της Βαθιάς Μάθησης, τα Συνελικτικά και τα Αναδρομικά Νευρωνικά Δίκτυα. Ιδιαίτερο ενδιαφέρον αποτελεί το ”πάντρεμα”, αυτών των δικτύων καθότι παράγεται η DanQ. Συγκεκριμένα, θα περιγραφεί ο τρόπος χρήσης CNN και RNN για τη πρόβλεψη της λειτουργικότητας μη-κωδικοποιητικού DNA (ncDNA). Στη συνέχεια της εργασίας, στο Κεφάλαιο 3, περιγράφουμε σημαντικές έννοιες της Βιολογίας και αναλύονται σημαντικά πεδία της βιοπληροφορικής όπως η γονιδιωματική, η μεταγραφωματική και η ανάλυση δεδομένων γονιδιακής έκφρασης. Το προφίλ έκφρασης γονιδίων μεγάλης κλίμακας έχει χρησιμοποιηθεί ευρέως για τον χαρακτηρισμό των κυτταρικών καταστάσεων ως απόκριση σε διάφορες καταστάσεις ασθένειας. Παρουσιάζεται μια μέθοδος βαθιάς μάθησης (D-GEX) για την ανάλυση γονιδιακής έκφρασης των γονιδίων στόχων από την έκφραση των γονιδιών οροσήμων. Χρησιμοποιήθηκε το σύνολο δεδομένων, Gene Expression Omnibus, αποτελούμενο από 111.009 προφίλ έκφρασης, για την εκπαιδεύση του μοντέλου και τη συγκρίση της απόδοσής του με αλγορίθμους Μηχανικής Μάθησης. Όσον αφορά το μέσο απόλυτο σφάλμα κατά μέσο όρο σε όλα τα γονίδια, η βαθιά μάθηση ξεπερνά σημαντικά την Γραμμική Παλινδρόμηση με 15.33%. Μια συγκριτική ανάλυση βάσει γονιδίων δείχνει ότι η βαθιά μάθηση επιτυγχάνει χαμηλότερο σφάλμα από τη Γραμμική Παλινδρόμηση στο 99.97% των γονιδίων-στόχων. Τέλος, έγινε δοκιμή της απόδοσης του μοντέλου σε ένα ανεξάρτητο σύνολο δεδομένων GTEx, το οποίο αποτελείται από 2.921 προφίλ έκφρασης. Η βαθιά μάθηση εξακολουθεί να ξεπερνά τη Γραμμική Παλινδρόμηση με σχετική βελτίωση 6.57% και επιτυγχάνει χαμηλότερο σφάλμα στο 81.31% των γονιδίων-στόχων. Στο ευρύτερο πεδίο της γονιδιωματικής, η μοντελοποίηση των ιδιοτήτων και των λειτουργιών των αλληλουχιών DNA είναι ένα σημαντικό, αλλά δύσκολο έργο. Γίνεται ακόμα πιο περίπλοκο, στη περίπτωση του μη-κωδικοποιητικό DNA. Ένα ισχυρό μοντέλο πρόβλεψης για τη λειτουργία του μη κωδικοποιητικού DNA μπορεί να έχει τεράστιο όφελος τόσο για τη βασική επιστήμη όσο και για τη μεταγραφική έρευνα, επειδή πάνω από το 98% του ανθρώπινου γονιδιώματος είναι μη-κωδικοποιητικό. Για την αντιμετώπιση αυτής της ανάγκης, προτάθηκε το DanQ, ένα συνελικτικό και αναδρομικό νευρωνικό δίκτυο.
  • Thumbnail Image
    Item
    Ανάπτυξη βιβλιοθήκης λογισμικού για εφαρμογές μηχανικής μάθησης σε παράλληλα υπολογιστικά συστήματα
    Μπαμπούρης, Ανδρέας; Δερματάς, Ευάγγελος; Σγάρμπας, Κυριάκος; Bampouris, Andreas
    Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)
    Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η προγραμματιστική υλοποίηση βασικών τεχνικών μηχανικής μάθησης με τέτοιο τρόπο που να γίνεται εκμετάλλευση των αρχιτεκτονικών παράλληλης επεξεργασίας που συναντώνται στους σύγχρονους υπολογιστές. Έχουν υλοποιηθεί μοντέλα και μέθοδοι όπως αυτά της γραμμικής παλινδρόμησης, της λογιστικής παλινδρόμησης, των τεχνητών νευρωνικών δικτύων εμπρόσθιας τροφοδότησης, του απλού ταξινομητή Bayes, της εκμάθησης δέντρων αποφάσεων, και της ομαδοποίησης k-μέσων. Έγινε χρήση της γλώσσας προγραμματισμού C++ μαζί με τη βιβλιοθήκη γραμμικής άλγεβρας Eigen, ενώ για την παραλληλοποίηση των αλγορίθμων χρησιμοποιήθηκε το πρότυπο OpenMP. Στα πλαίσια της εργασίας έγιναν δοκιμές σε πραγματικά δεδομένα, και η προκύπτουσα βιβλιοθήκη λογισμικού μπορεί να χρησιμοποιηθεί για την ανάπτυξη πραγματικών εφαρμογών.
  • Thumbnail Image
    Item
    Αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυϊκών σημάτων με τεχνικές deep learning
    Τσάγκας, Νικόλαος; Σκόδρας, Αθανάσιος; Σκόδρας, Αθανάσιος; Σγάρμπας, Κυριάκος; Tsagkas, Nikolaos
    Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)
    Τα τελευταία χρόνια έχει αναπτυχθεί στην ερευνητική κοινότητα ένα αυξημένο ενδιαφέρον για την αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυϊκών σημάτων, με τεχνικές Deep Learning. Σε αυτή τη διπλωματική εργασία παρουσιάζεται η διαδικασία σχεδίασης επίσης αρχιτεκτονικής συνελικτικού νευρωνικού δικτύου, με σκοπό την αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυϊκών σημάτων. Για το σκοπό αυτό αξιοποιήθηκε η πολύ διαδεδομένη βάση δεδομένων Ninapro, η οποία περιέχει καταγραφές ηλεκτρομυϊκών σημάτων από 52 διαφορετικές κινήσεις του χεριού. Στη συνέχεια, θέλοντας να συνεισφέρουμε στην προσπάθεια συλλογής περισσότερων ηλεκτρομυϊκών σημάτων, το οποίο αποτελεί καθοριστικό παράγοντα για την απόδοση του Deep Learning, αναπτύξαμε τη δική επίσης βάση δεδομένων επιφανειακών ηλεκτρομυϊκών σημάτων, τη MyoUP. Για επίσης καταγραφές χρησιμοποιήθηκε η εύχρηστη συσκευή Myo Armband. Στο παρόν σύγγραμμα παρουσιάζεται όχι μόνο η διαδικασία ανάπτυξης επίσης βάσης επίσης αλλά και τα αποτελέσματα σύγκρισης επίσης ποιότητας των δεδομένων επίσης με επίσης καταγραφές του 5ου dataset επίσης βάσης δεδομένων Ninapro, καθώς και αυτό το dataset δημιουργήθηκε με τη βοήθεια του Myo Armband. Τέλος, παρουσιάζεται η ανάπτυξη επίσης λογισμικού αναγνώρισης κινήσεων του χεριού σε πραγματικό χρόνο. Στο λογισμικό αυτό αξιοποιήθηκε το νευρωνικό δίκτυο που σχεδιάστηκε στα πλαίσια επίσης διπλωματικής, το οποίο και εκπαιδεύτηκε με τα δεδομένα επίσης βάσης δεδομένων MyoUP. Η εκπαίδευση του νευρωνικού δικτύου έλαβε χώρα σε έναν απομακρυσμένο server μεγάλης υπολογιστικής ισχύος, ενώ ο απαραίτητος κώδικας γράφτηκε στη γλώσσα προγραμματισμού Python. Επίσης, η εφαρμογή αναγνώρισης των κινήσεων του χεριού σε πραγματικό χρόνο αναπτύχθηκε σε Python ενώ η επεξεργασία των σημάτων έγινε με το πρόγραμμα MATLAB.
  • Thumbnail Image
    Item
    Ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους
    Λιακόπουλος, Λεωνίδας; Liakopoulos, Leonidas
    Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)
    Το άγχος είναι ένας κυρίαρχος παράγοντας στην ζωή των ανθρώπων και διαδραματίζει τεράστιο ρόλο στην απόδοση του ατόμου και την ψυχική του κατάσταση. Οι αρνητικές επιπτώσεις του ψυχικού στρες στην ανθρώπινη υγεία είναι γνωστές εδώ και δεκαετίες. Το υψηλό άγχος πρέπει να ανιχνεύεται σε πρώιμα στάδια για την πρόληψη των αρνητικών του επιπτώσεων. Στα εργασιακά περιβάλλοντα, όπου οι εργαζόμενοι υποχρεούνται να αναλαμβάνουν πολλαπλά καθήκοντα για την επίτευξη των στόχων τους, το άγχος είναι ένα κοινό συναίσθημα που οδηγεί σε έλλειψη συγκέντρωσης και απόδοσης. Λόγω του ποσού των ευθυνών, το άγχος των εργαζομένων θα πρέπει να κρατηθεί στο ελάχιστο εύρος, προκειμένου να αυξηθεί η παραγωγικότητα. Σκοπός της συγκεκριμένης αυτής μελέτης είναι να προτείνει έναν αποτελεσματικό τρόπο για τον εντοπισμό και την αναγνώριση του άγχους όταν και όποτε αυτό προκαλείται σε εργαζομένους κατά τη διάρκεια των καθηκόντων τους. Η παρακολούθηση γίνεται από πολλαπλούς αισθητήρες, wearable και μη, οι οποίοι δίνουν τις απαραίτητες πληροφορίες στο σύστημα λήψης αποφάσεων. Μετά την εμφάνιση των wearable συσκευές που θα μπορούσαν να αποτελούν αναπόσπαστο μέρος της ζωής μας λόγω των δυνατοτήτων μόνιμης καταγραφής βιολογικών δεδομένων, οι ερευνητές έχουν αρχίσει να ανιχνεύουν ακραία πίεση των ατόμων μαζί τους κατά τη διάρκεια της καθημερινής ρουτίνας. Μια ποικιλία σύγχρονων τεχνικών μηχανικής μάθησης χρησιμοποιούνται για την επίτευξη της μέγιστης απόδοσης του συστήματος, χρησιμοποιώντας τις πληροφορίες από έρχονται από τους αισθητήρες, εφόσον υποστούν την κατάλληλη επεξεργασία τόσο από το υλικολογισμικό του αισθητήρα όσο και από τους αλγορίθμους επεξεργασίας.
  • Thumbnail Image
    Item
    Χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης
    Διδάχος, Χρήστος; Didachos, Christos
    Τμήμα Μαθηματικών (ΜΔΕ)
    Ο άνθρωπος βρίσκεται στην απαρχή μιας νέας βιομηχανικής επανάστασης, η οποία χαρακτηρίζεται από την εκμάθηση/αυτό-εκπαίδευση των ίδιων των Μηχανών Machine Learning και το γενικότερο σύνολο της Τεχνητής Νοημοσύνης Artificial Intelligence καθώς και την Επιστήμη των Δεδομένων Data Science που συνδυαστικά δημιουργούν πολλά υποσχόμενες ευκαιρίες αλλά και προκλήσεις. Η αύξηση της υπολογιστικής ισχύος κυρίως σε GPU αλλά και CPU, σε συνδυασμό με νέες τεχνικές, έχουν καταφέρει να ξεπεράσουν τους περιορισμούς του παρελθόντος, όπως αυτή της διαχείρισης και επεξεργασίας μεγάλων δεδομένων. Τα δεδομένα μπορεί να είναι μεγάλα αλλά και συνεχούς ροής, γεγονός που απαιτεί γρήγορη επεξεργασία των δεδομένων για την λήψη αποφάσεων και την ανίχνευση χαρακτηριστικών. Για να επιτευχθεί το βέλτιστο αποτέλεσμα, πραγματοποιείται μια εκ των προτέρων εκπαίδευση μοντέλου με την χρήση λιγότερων αλλά πραγματικών δεδομένων από ένα δείγμα. Την εκπαίδευση του μοντέλου την διαδέχεται η επαλήθευσε, δεχόμενο δεδομένα του αρχικού δείγματος διαφορετικά από αυτά της εκπαίδευσης. Η γενικότερη εκτόξευση της τεχνολογίας σε θέματα υλικού hardware έχει προσδώσει νέες δυνατότητες σε πολλούς τομείς διαφορετικών επιστημών και βιομηχανιών. Έτσι, η βιομηχανία των οχημάτων δεν θα μπορούσε να μείνει ανεπηρέαστη από αυτές τις τεχνολογικές επιτυχίες. Τα οχήματα είτε είναι ελαφριά είτε βαρέα ή μηχανήματα έργων τους γίνεται προσπάθεια από υπάρχουσες ή από νέες εταιρίες να πραγματοποιηθεί η πλήρης αυτόνομη οδήγηση. Δηλαδή, το όχημα να είναι σε θέση να ανταποκρίνεται κάτω από όλες τις οδικές και περιβαλλοντικές συνθήκες που μπορεί να διαχειριστεί αντίστοιχα ένας ανθρώπινος οδηγός. Οι κατασκευάστριες εταιρίες αυτοκινήτων συναγωνίζονται για την υπεροχή στην τεχνολογία αυτόνομων οχημάτων. Ωστόσο, είναι επίσης σαφές ότι υπάρχει ακόμη πολύς δρόμος από τα υπάρχοντα συστήματα υποστήριξης οδηγού σε πολύπλοκες πλατφόρμες οδήγησης που θα μπορούν να πλοηγηθούν για παράδειγμα σε πολυσύχναστες διασταυρώσεις όπου θα συναντιέται μια αυτόνομη μηχανή και ένας άνθρωπος. Εκτός από τις αμιγώς τεχνολογικές προκλήσεις, η αυτόνομη οδήγηση έχει προκαλέσει επίσης έναν κοινωνικό διάλογο που βρίσκεται ακόμη σε πλήρη εξέλιξη. Η αυτόνομη τεχνολογία οχημάτων θα μπορεί να είναι σε θέση να παρέχει ορισμένα πλεονεκτήματα σε σύγκριση με τα παραδοσιακά οχήματα που χρειάζονται έναν άνθρωπο. Ένα πιθανό πλεονέκτημα είναι ότι θα μπορούσαν να παρέχουν αυξημένη ασφάλεια στο δρόμο. Τα ατυχήματα των οχημάτων προκαλούν πολλούς θανάτους κάθε χρόνο και τα αυτοματοποιημένα οχήματα θα μπορούσαν ενδεχομένως να μειώσουν τον αριθμό των ατυχημάτων καθώς το λογισμικό που χρησιμοποιείται σε αυτά είναι πιθανό να κάνει λιγότερα λάθη σε σύγκριση με τον άνθρωπο. Η μείωση του αριθμού των ατυχημάτων θα μπορούσε επίσης να μειώσει την κυκλοφοριακή συμφόρηση, η οποία είναι ένα περαιτέρω πιθανό πλεονέκτημα που προσφέρουν τα αυτόνομα οχήματα. Στην παρούσα Διπλωματική Εργασία θα αναφερθούμε και θα εφαρμόσουμε μερικές από τις τεχνικές που χρησιμοποιούνται για να τρέξει ένα όχημα σε μια πίστα προσομοίωσης με την χρήση τεχνικών Βαθιάς Μάθησης, καθώς και με την αναγνώριση πινακίδων οδικής κυκλοφορίας μέσω της Υπολογιστικής Όρασης, η οποία είναι μια καίρια διαδικασία για την εύρυθμη και ασφαλή διέλευση των οχημάτων σε πραγματικές συνθήκες.
  • Thumbnail Image
    Item
    Deep learning algorithms with emphasis on deep convolutional neural networks for optimization of bronchodilator inhaler’s use
    Νταλιάνης, Ευάγγελος; Μπίρμπας, Μιχαήλ; Παλιουράς, Βασίλειος; Μπίρμπας, Μιχαήλ; Ntalianis, Evangelos
    Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)
    Nowadays, artificial intelligence and machine learning algorithms have seen an enormous growth of interest with several researchers dedicating their lives into seeking new algorithms or improving those already developed. Studies have shown that they can be applied in almost every system that is required to make a decision. Machine and deep learning algorithms are widely used in image or sound classification tasks, in biomedical applications and language processing. In this thesis we study the performance of Convolutional Neural Network in an audio classification task. In particular, our classifier is fed with real time data which are produced by recording the use of an inhaler device and it attempts to categorize them into four classes, which namely are inhalation, exhalation, drug and noise and other environmental sounds. Furthermore, we study the potential of pruning the weights and how zeroing out weights with small magnitude affects the overall performance of the classifier. So, firstly, we describe the most common respiratory diseases and why it is essential to monitor the medication adherence. Secondly, we introduce to the reader the fundamentals of machine learning as well as the most important characteristics of algorithms used for the problem of monitoring the medication adherence in respiratory diseases through audio classification. Finally, we propose different approaches for compressing our model and we present several metrics in order to evaluate the performance of our classifier both before and after pruning procedure is employed.
  • Thumbnail Image
    Item
    Ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων
    Φλώρος, Παναγιώτης; Floros, Panagiotis
    Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)
    Σε πολλούς τομείς της επιστήμης, η ανίχνευση σπάνια εμφανιζόμενων περιπτώσεων αποτελεί ένα σημαντικό πρόβλημα και η επίλυση του, πέρα από ερευνητικό ενδιαφέρον, έχει τεράστιο πρακτικό αντίκτυπο. Από την εφαρμογή συστημάτων ανίχνευσης ανωμαλιών σε επιχειρήσεις για την άμεση ανταπόκριση σε βλάβες συσκευών με αποτέλεσμα την ελαχιστοποίηση της ζημειάς, μέχρι την χρήση τέτοιων στην Ιατρική για την αναγνώριση πιθανών ασθενειών, είναι προφανές ότι η δημιουργία τέτοιων συστημάτων αποτελεί ουσιώδη και ωφέλιμη για τον καθένα. Αρχικά στα πλάισια της εργασίας, παρουσιάζονται βασικές έννοιες και μέθοδοι επίλυσης του προβλήματος από τους τομείς της μηχανικής μάθησης και της βαθέας μηχανικής μάθησης. Στην συνέχεια, παρουσιάζεται η προσέγγιση αυτής της εργασίας για την επίλυση του προβλήματος, η οποία είναι η χρήση βαθέων νευρωνικών δικτύων για την πρόβλεψη χρονοσειρών και η εεφαρμογή του κατωφλιού για την ανίχνευση ανωμαλιών. Εξετάζεται η σχέση της πρόβλεψης χρονοσειρών με την ανίχνευση ανωμαλιών καθώς και η επιλογή ενός αποτελεσματικού κατωφλιού. Είναι σημαντικό να αναφερθέι ότι δεν υπάρχει μεθοδολογία για την εύρεση της βέλτιστης τιμής του κατωφλίου. Επίσης, υλοποιήθηκαν δύο μοντέλα για την ανίχνευση ανωμαλιών πάνω σε δεδομένα από μετρήσεις της άεργης και φαινομένης ισχύς ενός ορόφου χωρίς ετικέτες. Για την επιλογή των καλύτερων μοντέλων χρησιμοποιήθηκαν δεδομένα χωρίς ανωμαλίες στα οποία εισήχθηκαν τεχνητές ανωμαλίες και για την εκτίμηση της απόδοσης τους τα αποτελέσματα τους σε πραγματικά δεδομένα συγκρίθηκαν με αποτελέσματα από μοντέλα της Yodiwo. Τα μοντέλα της Yodiwo εκπαιδεύτηκαν στα ίδια δεδομένα όπου εκπαιδεύτηκαν και τα μοντέλα της εργασίας. Τέλος, τα αποτελέσματα έδειξαν ότι τα μοντέλα πρόβλεψης χρονοσειρών τα οποία προσπαθούν να προβλέψουν την ακριβή τιμή είναι λιγότερο αποτελεσματικά στην ανίχνευση ανωμαλιών καθώς σε διαστήματα ανώμαλων τιμών προσπαθούν να προβλέψουν τις ακριβείς τιμές των ανωμαλιών, ενώ μοντέλα τα οποία προσπαθούν να προβλέψουν την τάση και την περιοδικότητα της χρονοσειράς αντί για τις ακριβείς τιμές της έχουν καλύτερα αποτελέσματα στην ανίχνευση ανωμαλιών.
  • Thumbnail Image
    Item
    Ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου
    Δούκα, Ελισάβετ-Άννα; Douka, Elisavet-Anna
    Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)
    Η αναγνώριση συναισθηματικού περιεχομένου της Φυσικής Γλώσσας μπορεί να βελτιώσει κατά πολύ την επικοινωνία ανθρώπου και υπολογιστή με ένα υπολογιστικό σύστημα δίνοντας του την δυνατότητα να αναγνωρίσει και να μιμηθεί συναισθηματικές εκφράσεις. Ο τομέας της αναγνώρισης συναισθήματος κατέχει σημαντική θέση στις εφαρμογές της τεχνητής νοημοσύνης. Η ραγδαία ανάπτυξη των μέσων κοινωνικής δικτύωσης και η δυνατότητα των χρηστών μέσω αυτών να εκφράζουν ελεύθερα την γνώμη τους πάνω σε όλα τα θέματα της επικαιρότητας, αύξησε την ανάγκη για τη μελέτη και την καταγραφή της χρήσης τους. Έτσι, στα πλαίσια της παρούσας διπλωματικής εργασίας θα αναπτυχθεί μηχανισμός αναγνώρισης της συναισθηματικής πληροφορίας που μεταφέρεται σε προτάσεις Φυσικής Γλώσσας. Στο αρχικό στάδιο της έρευνας, γίνεται αναφορά σε πολλές state of the art τεχνικές που υπάρχουν ήδη στον συγκεκριμένο τομέα. Ύστερα, γίνεται η κατάλληλη προ-επεξεργασία και μετατροπή των δεδομένων, με γνωστές τεχνικές, για την εξαγωγή των κατάλληλων πληροφοριών και λέξεων-κλειδιών που φέρουν συναισθηματική πληροφορία. Ο κύριος στόχος της παρούσας εργασίας είναι η υλοποίηση του προ-εκπαιδευμένου μετασχηματιστή BERT, καθώς και η μελέτη της απόδοσης του, όσον αφορά τον προσδιορισμό και την ανίχνευση συναισθημάτων στα σχόλια χρηστών στα κοινωνικά δίκτυα. Αναλύεται το γενικό πλαίσιο του BERT, περιγράφεται αναλυτικά η διαδικασία υλοποίησης του και οι ειδικές μετατροπές που χρειάστηκαν να γίνουν για την λύση του συγκεκριμένου προβλήματος. Στη συνέχεια, υλοποιήθηκαν και δοκιμάστηκαν τόσο κλασικοί αλγόριθμοι ταξινόμησης όσο και διάφορες αρχιτεκτονικές νευρωνικών δικτύων, για να μελετηθεί η απόδοση του BERT σε σχέση με τα άλλα μοντέλα. Έπειτα, διεξάχθηκαν πειράματα με την χρήση των μοντέλων αυτών σε ένα αξιοσημείωτο πλήθος συνόλων δεδομένων. Στο τέλος της έρευνας αξιολογήθηκαν όλες οι προσεγγίσεις, συγκρίθηκαν τα αποτελέσματα τους και έγιναν οι ανάλογες παρατηρήσεις. Τελικός στόχος είναι η μελέτη της απόδοσης και της συμπεριφοράς του μοντέλου BERT, συγκρινόμενο με τα υπόλοιπα μοντέλα. Τα αποτελέσματα της έρευνας έδειξαν ότι παρόλο που το BERT μπορεί να πετύχει καλύτερη απόδοση από τους κλασικούς αλγορίθμους και αρκετά νευρωνικά δίκτυα, έχει επιπλέον περιθώρια βελτίωσης και μελέτης.
  • Thumbnail Image
    Item
    Συνεργατική προσανατολισμένη επικοινωνία για συστήματα B5G με χρήση τεχνικών μηχανικής μάθησης
    Νίκας, Ηλίας; Nikas, Ilias
    Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)
    Η παγκοσμιοποίηση επιτάσσει έναν όλο και περισσότερο συνδεδεμένο κόσμο. Τα σημερινά ασύρματα δίκτυα επικοινωνιών καλούνται να διαχειριστούν ένα πολύ μεγάλο όγκο δεδομένων που μετακινείται καθημερινά. Οι ολοένα αυξανόμενες ανάγκες για ευρυζωνικές υπηρεσίες αλλά και νέες έννοιες όπως Internet of Things (IoT) και Machine to Machine (M2M) συμβάλλουν στην ακόμα μεγαλύτερη αύξηση των μεταδιδόμενων δεδομένων. Στα παραπάνω, προστίθενται και οι αυστηρές απαιτήσεις για υψηλές ταχύτητες, μεγάλη αξιοπιστία, χαμηλή καθυστέρηση και υποστήριξη κινητών επικοινωνιών ακόμα και για υψηλές ταχύτητες κίνησης. Γίνεται, λοιπόν, εύκολα αντιληπτό, πως η ανάπτυξη ενός ασύρματου δικτύου ικανό να καλύψει τις παραπάνω ανάγκες είναι ένα δύσκολο έργο. Για την αντιμετώπιση των παραπάνω προκλήσεων, αλλά και την υποστήριξη των νέων τεχνολογιών που αναπτύσσονται συνεχώς, είναι απαραίτητη η αξιοποίηση καινούργιων εργαλείων. Η μηχανική μάθηση, η οποία έχει προκαλέσει έντονο ενδιαφέρον στην ερευνητική κοινότητα αλλά και σε βιομηχανικό επίπεδο τα τελευταία χρόνια, θα διαδραματίσει κομβικό ρόλο προς αυτή την κατεύθυνση. Τα κύματα στο χιλιοστομετρικό φάσμα είναι ένα ακόμη εργαλείο που θα συνδράμει στην κάλυψη των υψηλών απαιτήσεων εξαιτίας της υψηλής διαθεσιμότητας εύρους ζώνης που προσφέρουν. Όμως, η χρήση αυτών, δημιουργεί διάφορες προκλήσεις λόγω της υψηλής απόσβεσης που έχουν ανάλογα με την απόσταση που διανύουν και της ευαισθησίας τους σε φυσικά εμπόδια. Αν προσθέσουμε και την περίπτωση των κινητών επικοινωνιών, οι δυσκολίες αυξάνονται ακόμα περισσότερο. Τότε, η προσανατολισμένη επικοινωνία γίνεται αρκετά δύσκολη και μη αποδοτική. Σε αυτή την εργασία παρουσιάζεται μία λύση που υποστηρίζει κινητές επικοινωνίες ακόμα και σε υψηλές ταχύτητες, η οποία είναι αποδοτική, αξιόπιστη και επιτυγχάνει υψηλούς ρυθμούς μετάδοσης. Αυτό γίνεται μέσω της συνεργασίας πολλών σταθμών βάσης και της χρήσης μοντέλων μηχανικής μάθησης που επιτρέπουν την αποδοτική προσανατολισμένη επικοινωνία. Ερευνήθηκαν διάφορες αρχιτεκτονικές νευρωνικών δικτύων για την επίτευξη του στόχου αυτού με πολύ καλά αποτελέσματα που ξεπερνούν σε απόδοση λύσεις που βρέθηκαν στη βιβλιογραφία.