Search Results

Now showing 1 - 10 of 283
  • Thumbnail Image
    Item
    Εικονικές πειραματικές πλατφόρμες για ασύρματα δίκτυα αισθητήρων
    Δρακουλέλης, Μιχάλης; Νικολετσέας, Σωτήρης; Νικολετσέας, Σωτήρης; Γαροφαλάκης, Ιωάννης; Μακρής, Χρήστος; Drakoulelis, Mike
    Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)
    Η έννοια του Internet of Things (IoT) έχει πλέον εισαχθεί στην καθημερινότητά μας, με συσκευές που ελέγχουμε μέσα από τα κινητά μας τηλέφωνα και μας ενημερώνουν για ό,τι συμβαίνει χωρίς να χρειαστεί να το ελέγξουμε οι ίδιοι. Έχουν ήδη κυκλοφορήσει μάλιστα και συσκευές που αξιοποιούν τις εξελίξεις σε Artificial Intelligence (AI) τεχνολογίες, παντρεύοντάς τες με το IoT, ώστε να αυτοματοποιήσουν εντελώς τις εκάστοτε διαδικασίες. Οι δυνατότητες όμως του IoT είναι απεριόριστες και σίγουρα δεν περιορίζονται σε εφαρμογές που συναντάμε στην προσωπική μας ζωή. Ίσως οι πιο ωφέλιμες δυνατότητες του να βρίσκονται σε βιομηχανικές εφαρμογές. Μάλιστα η προοπτική αυτή φαίνεται τόσα πολλά υποσχόμενη στον συγκεκριμένο τομέα, ώστε έχει οριστεί με την έννοια του Industry 4.0. Το Industry 4.0 περιλαμβάνει όλες τις διαδικασίες που απαιτούνται για την ενσωμάτωση των διεργασιών μιας βιομηχανίας με IoT συστήματα, με σκοπό την βελτίωσή τους σε κάθε επίπεδο. Χαρακτηριστικά παραδείγματα είναι η αύξηση της παραγωγικότητας, η μείωση των εργατικών ατυχημάτων, η μείωση της σπατάλης πόρων και η συνεισφορά της στην προληπτική συντήρηση. Ακόμα και σε περιπτώσεις που δεν είναι εμφανείς, η μελέτη των δεδομένων που παράγονται από εφαρμογές IoT μπορεί να αναδείξει δυσλειτουργίες. Δυστυχώς όμως, υπάρχουν πολλές περιπτώσεις που η υλοποίησή του παρουσιάζει πρακτικά προβλήματα. Παραδείγματα είναι η αδυναμία επέμβασης σε μηχανήματα ή χώρους, όπου, συνήθως λόγω της παλαιότητάς τους, παρουσιάζουν ασυμβατότητες που απαιτούν διαφορετική προσέγγιση. Για το λόγο αυτό γίνεται έρευνα στο χώρο των εικονικών αισθητήρων (virtual sensors) και πλατφόρμων αισθητήρων (virtual testbeds). Η συγκεκριμένη διπλωματική εργασία εστιάζει στον τρόπο με τον οποίο μπορεί να εφαρμοσθεί η συγκεκριμένη μέθοδος για την αντιμετώπιση προβλημάτων φωτεινότητας σε επαγγελματικούς χώρους μέσω εικονικών αισθητήρων. Συγκεκριμένα, παρουσιάζεται μια νέα προσέγγιση για την άμεση εκτίμηση φωτεινότητας σε σημεία ενδιαφέροντος, αξιοποιώντας αλγορίθμους εξόρυξης δεδομένων. Με την εγκατάσταση τυπικών αισθητήρων φωτεινότητας σε πιο προσβάσιμα σημεία μπορεί να γίνει αξιοποίηση των δεδομένων τους για να υπολογιστεί η αντίστοιχη φωτεινότητα στα σημεία που μας ενδιαφέρουν. Στη συνέχεια, γίνεται εφαρμογή των συγκεκριμένων τεχνικών σε διάφορους επαγγελματικούς χώρους με διαφορετικές απαιτήσεις και αποδεικνύεται η χρησιμότητα της συγκεκριμένης μεθοδολογίας.
  • Thumbnail Image
    Item
    Εξόρυξη δεδομένων με τεχνικές εκμάθησης πολλαπλών περιπτώσεων
    Μπρανίκας, Ευστάθιος; Μεγαλοοικονόμου, Βασίλειος; Δασκαλάκη, Σοφία; Branikas, Efstathios
    Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)
    Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη μιας κατηγορίας αλγορίθμων μηχανικής μάθησης που αφορούν την εκπαίδευση πολλαπλών στιγμιοτύπων (multiple instance learning). Συγκεκριμένα, έπειτα από εκτενή μελέτη της σχετικής βιβλιογραφίας, η οποία αναλύεται λεπτομερώς, επελέγη ένας αλγόριθμος ο οποίος σαν στόχο έχει την αναγνώριση εικόνας, ο JC2MIL. Έπειτα από την πλήρη κατανόηση και περιγραφή του αλγορίθμου, μια σειρά από πειράματα έλαβαν χώρα σε συγκεκριμένα δεδομένα ώστε να συγκριθεί με άλλους αλγορίθμους της σχετικής βιβλιογραφίας. Τέλος, η διπλωματική αυτή εργασία εστιάζει σε μεθόδους που σκοπό έχουν να βελτιώσουν την απόδοση του εν λόγω αλγορίθμου. Προηγουμένως αναλύονται οι έννοιες και οι μέθοδοι οι οποίες εφαρμόζονται για την ενδεχόμενη βελτίωση του αλγορίθμου, οι οποίες εστιάζουν αποκλειστικά στην επιλογή στιγμιοτύπων προς αφαίρεση. Σε μια σειρά πειραμάτων συγκρίνουμε τα αποτελέσματα, τόσο ως προς την απόδοση αλλά και τα συμπεράσματα που μπορούν να εξαχθούν από τα πειράματα που έγιναν. Επίσης εξάγονται χαρακτηριστικά από εικόνες για σύγκριση της ακρίβειας στις διάφορες περιπτώσεις.
  • Thumbnail Image
    Item
    Σημασιακή ανάλυση κειμένου για παροχή εξατομικευμένων ροών συστάσεων με χρήση ενισχυτικής μάθησης
    Καφτάνης, Σπυρίδων; Kaftanis, Spyridon
    Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)
    Η εργασία αυτή αποτελεί μία υλοποίηση μιας νέας μεθόδου παραγωγής προσωποποιημένων συστάσεων κειμένων σε χρήστες με βάση τα συναισθήματα αυτών. Η μέθοδος αυτή στοχεύει στον εντοπισμό μοτίβων στη συμπεριφορά του χρήστη με βάση κάποιο reward το οποίο προκύπτει από την κάθε πραγματική εφαρμογή στην οποία χρησιμοποιείται ο αλγόριθμος. Ένα βασικό χαρακτηριστικό ενός τέτοιου συστήματος είναι ο online χαρακτήρας του. Αυτό σημαίνει ότι το σύστημα πρέπει να εκπαιδεύεται διαρκώς αλλά και να μπορεί να παράξει ροές από την πρώτη στιγμή. Πρέπει, επίσης, να δοκιμάζει να προτείνει διαφορετικό περιεχόμενο, πράγμα που οδηγεί στην αναγκαιότητα ύπαρξης μιας σωστής ισορροπίας ανάμεσα σε εξερεύνηση και εκμετάλλευση (exploration – exploitation). Το σύστημα αποτελείται από έναν αλγόριθμο σημασιολογικής ανάλυσης ο οποίος συνδυάζει συσταδοποίηση και επεξεργασία κειμένου από ένα επίπεδο νευρωνικών δικτύων τα οποία έχουν σκοπό να προβλέψουν το κέρδος του χρήστη για κάθε κείμενο και από ένα επίπεδο με αλγορίθμους οι οποίοι προσπαθούν να εξερευνήσουν τον χώρο του προβλήματος έτσι ώστε να προσορμίζονται σε αλλαγές της συμπεριφοράς του χρήστη στο μέλλον. Η ερευνητική αυτή εργασία συνδυάζει πολλές γνωστές μεθόδους καθώς και παραλλαγές αυτών σε ένα ενιαίο σύστημα το οποίο έχει επιπλέον τις τεχνικές προδιαγραφές να χρησιμοποιηθεί για την υλοποίηση χαρακτηριστικών εφαρμογών. Η συνεισφορά της εργασίας αυτής αφορά την υλοποίηση συστήματος μη εποπτευόμενης σημασιολογικής ανάλυσης σε άγνωστο πλήθος συναισθημάτων, καθώς και στη δημιουργία ενός online συστήματος μάθησης το οποίο παράγει ροές συστάσεων στους χρήστες.
  • Thumbnail Image
    Item
    Ανάπτυξη αλγορίθμου βαθιάς ενισχυτικής μάθησης στο παιχνίδι MsPacman της πλατφόρμας Atari
    Καραμπίνης, Ιωάννης; Karampinis, Ioannis
    Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)
    Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη αλγορίθμου βαθιάς ενισχυτικής μάθησης σε περιβάλλον παιχνιδιού. Στο πέρασμα των χρόνων, η τεχνολογική κοινότητα επιδιώκει να εντάξει τη συμπεριφορά των ζωντανών οργανισμών, η οποία μεταβάλλεται κατά τη διάρκεια της ζωής τους μέσω της εκπαίδευσης, στα διάφορα τεχνολογικά επιτεύγματα. Ο χώρος της μηχανικής μάθησης και ειδικότερα της ενισχυτικής μάθησης, βασιζόμενος στο παραπάνω δόγμα, δημιουργεί πράκτορες οι οποίοι δύναται να μαθαίνουν διαμέσου της συνεχούς αλληλεπίδρασης με το περιβάλλον. Ωστόσο, τα σύγχρονα προβλήματα εξαιτίας της μεγάλης πολυπλοκότητάς τους, έχουν θεσπίσει ορισμένους περιορισμούς ως προς την εφαρμογή των αλγορίθμων της ενισχυτικής μάθησης. Η λύση δίδεται μέσω της μίμησης ενός βιολογικού μηχανισμού, των νευρωνικών δικτύων. Η αποτελεσματική εφαρμογή τους σε προβλήματα μεγάλης διαστασιμότητας του ευρύτερου χώρου της τεχνητής νοημοσύνης οδήγησε στην ενσωμάτωσή τους στους αλγορίθμους ενισχυτικής μάθησης. Δημιουργήθηκε με αυτόν τον τρόπο ένα νέο επιστημονικό πεδίο, αυτό της βαθιάς ενισχυτικής μάθησης. Στα πλαίσια της εργασίας υλοποιήθηκαν παραλλαγές των αλγορίθμων βαθιάς ενισχυτικής μάθησης DQN, double DQN, duel DQN και noisy DQN, αναπτύσσοντας τους αντίστοιχους πράκτορες. Το περιβάλλον αλληλεπίδρασης που επιλέχθηκε ήταν κλασσικό παιχνίδι MsPacman της πλατφόρμας Atari 2600. Ο εκάστοτε πράκτορας σε μία ανθρωποκεντρική προσέγγιση, εκπαιδεύεται με τη βοήθεια οπτικών παρατηρήσεων και της ανταμοιβής που δέχεται από το περιβάλλον. Βασικός σκοπός είναι η εκμάθηση του μοντέλου του περιβάλλοντος, που συνοδεύεται με υψηλή συνολική ανταμοιβή στην ολοκλήρωση κάθε παιχνιδιού. Οι πράκτορες αφού εκπαιδεύτηκαν για ορισμένο χρονικό διάστημα, αξιολογήθηκαν ως προς την απόδοσή τους. Στο τέλος της εργασίας παρουσιάζονται τα πειραματικά αποτελέσματα της μελέτης, ενώ παρατίθενται προτάσεις για μελλοντικές βελτιώσεις.
  • Thumbnail Image
    Item
    BCI P300-based speller for control and surveilance
    Μαρκόπουλος, Κωνσταντίνος; Markopoulos, Konstantinos
    Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)
    In recent years, the development of low-cost, non-invasive and portable electrophysiological systems that record and process brain signals has increased. As a result, Brain Computer Interface (BCI) systems are becoming more accessible to the academic community and the general public, serving different applications and needs, unlike previous years that these systems were much more expensive, more complex in their use, and their application was exclusively in health applications. In this diploma thesis, the goal is to create a BCI system by which a user can control applications and devices through the signals collected from the brain and interact with its environment. At the beginning, the wider field is presented, describing the brain structure, ways of recording information from the brain, BCI categories and the reasons they succeed. Then, the general architectural model of BCI systems is presented. There is information on all the steps that need to be followed in order to create a BCI system as well as many bibliographic references widely used for various kinds of approaches. More specifically, ways of recording the data from the brain according to the targeting of each experiment are being presented, and ways of processing the received signals in order to get rid of noise and strengthen their informational content are being analyzed. There is, also, a bibliographic presentation of methods, that are being presented, by which the features are extracted from the processed signals, aiming at reducing their dimensions and increasing their informational content. Then all this processed data passes through algorithms and machine learning techniques, to produce the final model. In this thesis, a BCI P300-based Speller system is proposed. Emotiv EPOC was the EEG headset used for the experiments. This study aims to describe the design of a real-time EEG-based communication aid system, using brain-computer interface technologies. In more detail, the proposed system consists of a 6x6 matrix display, containing letters and numbers for the spelling procedure. After the spelling is done, the command is driven to a Raspberry PI which connects to all the devices and carries a camera with 2 degrees of freedom combined with computer vision algorithms for the processing. For the speller, an xDAWN spatial filtering is introduced and different classification methods are compared, in order to produce the most accurate and fast system.
  • Thumbnail Image
    Item
    Μελέτη και αξιολόγηση τεχνικών κατηγοριοποίησης συναισθήματος σε σχόλια χρηστών στο Διαδίκτυο
    Δήμου, Ελένη; Κωτσιαντής, Σωτήριος; Γράψα, Θεοδούλα; Ράγγος, Όμηρος; Dimou, Eleni
    Τμήμα Μαθηματικών (ΜΔΕ)
    Η άνθηση του διαδικτύου ανέδειξε νέα εργαλεία επικοινωνίας και διαύλους ανταλλαγής απόψεων. Η ανάγκη αξιοποίησης, μέσω αυτοματοποιημένων τεχνικών, του τεράστιου όγκου δεδομένων σε μορφή κειμένου, οδήγησε στην Εξόρυξη Γνώσης από Κείμενο (Text Mining) και στην Ανάλυση Συναισθήματος (Sentiment Analysis). Στόχος της Ανάλυσης Συναισθήματος, είναι η ανίχνευση της πολικότητας ενός κειμένου, με σκοπό την εξαγωγή της υποκειμενικής άποψης του συγγραφέα, ως προς το θέμα του κειμένου. Στην παρούσα εργασία παρουσιάζεται μία συγκριτική μελέτη μοντέλων κατηγοριοποίησης συναισθήματος, δεδομένων που προέρχονται από ιστοσελίδες κριτικής ταινιών (IMDb, Rotten Tomatoes) και από το Twitter. Δύο αλγόριθμοι, από την Επιβλεπόμενη Μηχανική Μάθηση, αποτελούν τη βάση των ταξινομητών, ο Πολυωνυμικός «Αφελής» Bayes (Multinomial Naive Bayes) και οι Μηχανές Διανυσμάτων Υποστήριξης (SVM). Επιπρόσθετα, διερευνάται η μεταβολή ορισμένων παραμέτρων, με σκοπό τη βελτίωση της απόδοσης των μοντέλων. Τέλος, προτείνεται η ενσωμάτωση του λεξικού πόρου SentiWordNet 3.0, στο μοντέλο ταξινόμησης των δεδομένων από το Twitter, σε συνδυασμό με τον καθαρισμό των tweets και τη γλωσσολογική ανάλυση των μηνυμάτων, καθώς οδηγεί σε περαιτέρω βελτίωση του ταξινομητή. Τα μοντέλα κατηγοριοποίησης συναισθήματος υλοποιούνται στο προγραμματιστικό περιβάλλον της Python.
  • Thumbnail Image
    Item
    Αλγόριθμοι μηχανικής μάθησης και εφαρμογές σε ιατροβιολογικά προβλήματα
    Αναστασίου, Ευτυχία; Κωτσιαντής, Σωτήριος; Γράψα, Θεοδούλα; Κωτσιαντής, Σωτήριος; Ράγγος, Όμηρος; Anastasiou, Eftychia
    Τμήμα Μαθηματικών (ΔΕ)
    Στη διάρκεια του 20ου αιώνα τα επιτεύγματα της επιστημονικής κοινότητας στον τομέα της ιατρικής και της βιολογίας συνείσφεραν στη δημιουργία και την ανάπτυξη διαγνωστικών και θεραπευτικών παρεμβάσεων όπως τα αντιβιοτικά, τα εμβόλια κ.α., αλλάζοντας ριζικά τις ζωές των ανθρώπων. Οι ραγδαίες εξελίξεις συνεχίστηκαν, με σημείο αναφοράς τις αρχές του 21ου αιώνα, όπου ολοκληρώθηκε το πρόγραμμα χαρτογράφησης του ανθρώπινου γονιδιόματος (Human Genome Project). Η αποκρυπτογράφηση του γενετικού μας υλικού έδωσε το έναυσμα για την ανάπτυξη υπολογιστικών εργαλείων που θα βοηθούσαν στη συγκέντρωση, την αποθήκευση και την ανάλυση βιολογικών πληροφοριών. Ένας τρόπος εκμετάλλευσης των βιολογικών δεδομένων είναι η χρήση αλγορίθμων μηχανικής μάθησης προκειμένου να δημιουργηθούν μοντέλα που εκπαιδεύονται με τα δεδομένα και παράγουν καινούργια γνώση. Η παρούσα διπλωματική εργασία χωρίζεται σε τέσσερα μέρη. Στο πρώτο κεφάλαιο γίνεται μια αναφορά σε βασικές έννοιες της Μοριακής Βιολογίας και της Βιοπληροφορικής για να αποκτήσουμε μια καλύτερη εικόνα στο είδος της πληροφορίας που πρόκειται να αξιοποιήσουμε στη συνέχεια. Ακολούθως, παρουσιάζονται βασικοί αλγόριθμοι μηχανικής μάθησης που θα χρησιμοποιούμε σε προβλήματα κατηγοριοποίησης όπως είναι ο Naive Bayes και τα δέντρα απόφασης. Στο τρίτο κεφάλαιο, αναλύονται τα βήματα που πρέπει να ακολουθήσουμε για τη δημιουργία ενός μοντέλου μηχανικής μάθησης, όπως είναι ο καθαρισμός και η επεξεργασία των δεδομένων, η επιλογή κατάλληλου αλγορίθμου και η αξιολόγηση της ακρίβειας του μοντέλου. Στο τέταρτο κεφάλαιο, παρουσιάζεται το πρόγραμμα που κατασκευάστηκε στα πλαίσια της εργασίας σε γλώσσα προγραμματισμού Python, προκειμένου να παρέχει μια συλλογή από εργαλεία οπτικοποίησης και επεξεργασίας δεδομένων, αλγορίθμους κατηγοριοποίησης, μεθόδους αξιολόγησης και ακρίβειας για την προγνωστική μοντελοποίηση μαζί με γραφικές διεπαφές χρήστη για εύκολη πρόσβαση σε αυτές τις λειτουργίες. Τέλος, χρησιμοποιείται το πρόγραμμα για την κατασκευή ενός μοντέλου πρόγνωσης της ασθένειας σακχαρώδη διαβήτη.
  • Thumbnail Image
    Item
    Ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων
    Κλαριδόπουλος, Χρήστος; Klaridopoulos, Christos
    Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)
    Τα συναισθήματα διαδραματίζουν πολύ σημαντικό ρόλο στην ανθρώπινη καθημερινότητα. Επηρεάζουν τις αποφάσεις, τον τρόπο που οι άνθρωποι επικοινωνούν, ακόμα και την υγεία τους. Η συνεχής εξέλιξη στον τομέα της υπολογιστικής έχει δημιουργήσει την ανάγκη συνεχούς βελτίωσης του τρόπου με τον οποίο επικοινωνούν οι άνθρωποι με τις μηχανές. Αυτό μπορεί να επιτευχθεί με την ανάπτυξη συστημάτων αναγνώρισης συναισθημάτων, ώστε να μπορούν οι υπολογιστές να ανιχνεύουν τα συναισθήματα των χρηστών και να προσαρμόζονται με βάση αυτά, για να βελτιωθεί η εμπειρία χρήστη. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός συστήματος αναγνώρισης συναισθημάτων με χρήση βιοσημάτων το οποίο θα είναι ικανό να χρησιμοποιηθεί σε φορετές συσκευές (wearables). Η διπλωματική εργασία αποτελείται από δύο μέρη. Στο πρώτο μέρος, γίνεται μία ανάλυση του θεωρητικού υπόβαθρου που είναι απαραίτητο να υπάρχει για την ανάπτυξη ενός τέτοιου συστήματος. Αυτό περιλαμβάνει τα δομικά στοιχεία από τα οποία αποτελείται ένα σύστημα αναγνώρισης συναισθημάτων, δηλαδή την καταγραφή των σημάτων, την προεπεξεργασία, την εξαγωγή χαρακτηριστικών και την χρήση ταξινομητών. Στη συνέχεια, αναλύονται τρόποι με τους οποίους μπορούν να υλοποιηθούν διαφορετικοί ταξινομητές και να συνδυαστούν τα αποτελέσματα τους. Στο δεύτερο μέρος της εργασίας παρουσιάζεται μια πειραματική διαδικασία, η οποία περιλαμβάνει την υλοποίηση ενός συστήματος αναγνώρισης δύο συναισθημάτων, άγχους και λύπης, με χρήση βιοσημάτων GSR, PPG και Skin Temperature. Σκοπός είναι η εύρεση του βέλτιστου συνδυασμού αυτών των σημάτων για την επίτευξη της υψηλότερης δυνατής ακρίβειας αναγνώρισης των δύο συναισθηματικών καταστάσεων. Στο τέλος, παρουσιάζονται τα καλύτερα αποτελέσματα της πειραματικής διαδικασίας και προτείνονται πιθανές μελλοντικές βελτιώσεις του συστήματος. Η ανάπτυξη του συστήματος αναγνώρισης δύο συναισθημάτων με χρήση βιοσημάτων έγινε με χρήση του λογισμικού Matlab για την επεξεργασία των σημάτων και την υλοποίηση απλών ταξινομητών, ενώ έγινε και χρήση της Python 3.6 και της βιβλιοθήκης Tensorflow για την ανάπτυξη ενός νευρωνικού δικτύου. Για την πειραματική διαδικασία χρησιμοποιήθηκε το σετ δεδομένων DEAP.
  • 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
    Πρόβλεψη χρηματιστηριακών τιμών μετοχών με χρήση στατιστικών μοντέλων και μεθόδων μηχανικής μάθησης για την εκτίμηση της επίδοσης ανταγωνιστικών εταιρειών
    Πανταζής, Παύλος; Pantazis, Pavlos
    Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)
    Η αυξανόμενη διαθεσιμότητα υπολογιστικών πόρων σε συνδυασμό με τις εξελίξεις των τελευταίων ετών τόσο σε επίπεδο λογισμικού όσο και σε επίπεδο υλικού, μας παρέχουν τη δυνατότητα υλοποίησης σύνθετων διεργασιών αλλά και χρήσης υπολογιστικών μοντέλων, τα οποία στο παρελθόν είχαν πολύ υψηλό υπολογιστικό κόστος. Έτσι, η εφαρμογή των εργαλείων της επιστήμης των υπολογιστών έχει αυξηθεί ραγδαία αλλάζοντας πολλά ερευνητικά και επαγγελματικά πεδία. Ένας από τους πλέον δημοφιλέστερους τομείς της επιστήμης των υπολογιστών είναι η μηχανική μάθηση και πιο συγκεκριμένα τα νευρωνικά δίκτυα. Τα νευρωνικά δίκτυα χρησιμοποιούνται σε ένα ευρύ φάσμα εφαρμογών από την ανάλυση εικόνων σε πραγματικό χρόνο για την ταυτοποίηση προσώπων μέχρι την πρόβλεψη χρονοσειρών. Σκοπός της διπλωματικής εργασίας είναι η πρόβλεψη των ημερήσιων τιμών των μετοχών που συμπεριλαμβάνονται στο δείκτη Standard and Poor’s 500. Οι προβλέψεις παράγονται από μεθόδους μηχανικής μάθησης και κυρίως από νευρωνικά δίκτυα, οι επιδόσεις των οποίων επιδιώκεται να βελτιωθούν. Στη συνέχεια με βάση τις παραγόμενες προβλέψεις εξετάζεται εάν μπορεί να υλοποιηθεί μία κερδοφόρα στρατηγική επενδύσεων κάνοντας χρήση μεθόδων βελτιστοποίησης χαρτοφυλακίου. Τελικά αποδεικνύεται πως ο συνδυασμός προβλέψεων υψηλής ακρίβειας με μεθόδους βελτιστοποίησης χαρτοφυλακίου μπορεί να αποτελέσει μία κερδοφόρα στρατηγική ωστόσο δεν είναι βέβαιο πως η στρατηγική αυτή θα αποδίδει περισσότερο από τον δείκτη S&P 500.