Χωρική παρεμβολή με μεθόδους μάθησης συνόλου

Σιοζόπουλος, Φίλιππος; Siozopoulos, Filippos

dc.contributor.author	Σιοζόπουλος, Φίλιππος	el
dc.contributor.author	Siozopoulos, Filippos	en
dc.date.accessioned	2016-07-05T08:20:36Z
dc.date.available	2016-07-05T08:20:36Z
dc.date.issued	2016-07-05
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/42973
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.8413
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Μάθηση συνόλου	el
dc.subject	Τυχαία δάση	el
dc.subject	Χωρική παρεμβολή	el
dc.subject	Γεωστατιστική	el
dc.subject	Machine learning	el
dc.subject	Ensemble learning	el
dc.subject	Spatial interpolation	el
dc.subject	Random forests	el
dc.subject	Geostatistics	el
dc.title	Χωρική παρεμβολή με μεθόδους μάθησης συνόλου	el
heal.type	bachelorThesis
heal.classification	Βασική μηχανική μάθηση	el
heal.classificationURI	http://data.seab.gr/concepts/fec24cd140d4b110c225ac68fec062a57fb86360
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-02-12
heal.abstract	Ο σκοπός της διπλωματικής εργασίας ήταν αρχικά η μελέτη και έπειτα η σύγκριση μεταξύ διαφόρων τεχνικών που αφορούν το πρόβλημα της χωρικής παρεμβολής. Πιο συγκεκριμένα, μελετήθηκαν τόσο τεχνικές μηχανικής μάθησης (όπως τα πολυεπίπεδα perceptron) όσο και γεωστατιστικές τεχνικές (όπως η τεχνική Ordinary Kriging). Έμφαση δόθηκε στην μελέτη των μεθόδων μάθησης συνόλου, καθώς και στον συνδυασμό αυτών με γεωστατιστικές τεχνικές. Τα σύνολα δεδομένων τα οποία χρησιμοποιήθηκαν προέρχονται απο τον επιστημονικό διαγωνισμό χωρικής παρεμβολής (Spatial Interpolation Comparison) τις χρονιές 1997 και 2004 (SIC97 και SIC2004). Μετά την ολοκλήρωση της αρχικής μελέτης των τεχνικών, χρησιμοποιήθηκε και ένα σύνολο δεδομένων που δημιουργήθηκε χρησιμοποιώντας δεδομένα προερχόμενα απο το επιστημονικό πρόγραμμα earthscope, το οποίο ασχολείται με την μορφή και την γεωλογική εξέλιξη της Βορειοαμερικάνικης ηπείρου. Τα αποτελέσματα της σύγκρισης μεταξύ των διαφόρων τεχνικών επιβεβαιώνουν την υπεροχή των τεχνικών μηχανικής μάθησης όσον αφορά το πρόβλημα της χωρικής παρεμβολής στα μεγαλύτερα σύνολα δεδομένων, ενώ φαίνεται πως τα καλύτερα αποτελέσματα λαμβάνονται με τον συνδυασμό τεχνικών μάθησης συνόλου με γεωστατιστικές τεχνικές.	el
heal.abstract	The purpose of this diploma thesis was the study and comparison between several techniques concerning the problem of spatial interpolation. Specifically, the techniques studied belong to the domain of machine learning (such as multilayer perceptrons) and the domain of geostatistics (such as Ordinary Kriging). Machine Learning techniques based on Ensemble Learning, as well as the combination of these with Geostatitics, were also studied at greater detail. The datasets used are sourced from the scientific spatial interpolation competition (SIC), which took place in 1997 and 2004 (SIC97 and SIC2004 respectively). After the completion of the first round of experiments using the aforementioned datasets, a novel dataset was created and used, drawing data sourced from the earthscope scientific program, the purpose of which is the study of the North American continent's geological development. The results of the various experiments confirm the superiority of machine learning techniques in spatial interpolation when the relevant datasets are sufficiently large, while the combination of machine learning and geostatistics techniques achieve even better results.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	83 σ.
heal.fullTextAvailability	true