dc.contributor.author |
Παπαδόπουλος, Αλέξανδρος
|
el |
dc.contributor.author |
Papadopoulos, Alexandros
|
en |
dc.date.accessioned |
2018-04-30T10:31:08Z |
|
dc.date.available |
2018-04-30T10:31:08Z |
|
dc.date.issued |
2018-04-30 |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/46912 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.7993 |
|
dc.description |
Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Εφαρμοσμένη Μηχανική” |
el |
dc.rights |
Default License |
|
dc.subject |
Μείωση Διαστάσεως Δεδομένων |
el |
dc.subject |
Ανάλυση Κυρίων Συνιστωσών |
el |
dc.subject |
Ανάλυση Ανεξάρτητων Συνιστωσών |
el |
dc.subject |
Μέθοδος Κ-Κοντινότερων Γειτόνων |
el |
dc.subject |
Μηχανές Διανυσμάτων Υποστήριξης |
el |
dc.subject |
Data Dimensionality Reduction |
en |
dc.subject |
Principal Components Analysis |
en |
dc.subject |
k-Nearest Neighbors |
en |
dc.subject |
Support Vector Machines |
en |
dc.subject |
Independent Component Analysis |
en |
dc.title |
Αλγόριθμοι Τεχνικών Μείωσης Διαστάσεως Δεδομένων |
el |
dc.title |
Dimensionality Reduction Algorithms |
en |
heal.type |
masterThesis |
|
heal.generalDescription |
Στόχος του παρόντος ήταν η εξοικείωση του γραφόντα με τη μεθοδολογία μείωσης
διαστάσεων και την πρακτική εφαρμογή της. Πραγματοποιήθηκε μελέτη του θεωρητικού υποβάθρου των μεθόδων PCA και ICA, όπως και δύο μεθόδων ταξινόμησης δεδομένων. Υλοποιήθηκαν οι αντίστοιχοι αλγόριθμοι σε κώδικά
Matlab και εφαρμόστηκαν σε αντίστοιχα benchmarks και εφαρμογές. Τέλος, κατά
την εφαρμογή των μεθόδων PCA και ICA, ανάμεσα στα άλλα, χρησιμοποιήθηκαν
δεδομένα δύο διαφορετικών μελετών, όπως και επιβεβαιώθηκαν τα συμπεράσματα άλλων δύο. |
el |
heal.classification |
ΣΤΑΤΙΣΤΙΚΗ |
el |
heal.classification |
ΒΑΣΙΚΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ |
el |
heal.classification |
ΣΥΣΤΗΜΑΤΑ ΤΑΞΙΝΟΜΗΣΗΣ |
el |
heal.classification |
ΒΑΣΙΚΗ ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ |
el |
heal.classificationURI |
http://data.seab.gr/concepts/21f5bcc665080b1745e60f222330e7556266bb8d |
|
heal.classificationURI |
http://data.seab.gr/concepts/fec24cd140d4b110c225ac68fec062a57fb86360 |
|
heal.classificationURI |
http://data.seab.gr/concepts/9c14d32d2b06876029db767aad4f479a043de2d8 |
|
heal.classificationURI |
http://data.seab.gr/concepts/12291cb9150686dd1175c2a1662b9d1acd8b9b62 |
|
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2018-02-26 |
|
heal.abstract |
Η Μείωση Διαστάσεως Δεδομένων είναι διαδικασία η οποία χρησιμοποιείται σε εφαρμογές στις οποίες είναι ζητούμενο η μείωση του προς ανάλυση όγκου δεδομένων και μεταβλητών, με παράλληλη διατήρηση της χρήσιμης πληροφορίας του αρχικού συνόλου των δεδομένων. Οι δύο σχετικές μέθοδοι μετασχηματισμού που εξετάζονται στην παρούσα εργασία, είναι η Ανάλυση Κυρίων Συνιστωσών (Principal Components Analysis - PCA) και η Ανάλυση Ανεξάρτητων Συνιστωσών (Independent Component Analysis - ICA).
Παράλληλα, στα πλαίσια της περαιτέρω επεξεργασίας των δεδομένων, εξετάζονται και δύο μέθοδοι ταξινόμησης, η μέθοδος των Κ-Κοντινότερων Γειτόνων (k-Nearest Neighbors - k-NN) και οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines - SVM). Οι παραπάνω μέθοδοι υλοποιούνται με χρήση κώδικα στo Matlab για τον έλεγχο των διάφορων αλγορίθμων, για τη διεξαγωγή συμπερασμάτων σε απλές εφαρμογές, όπως και για την επιβεβαίωση μελετών με δεδομένα βιολογικού ενδιαφέροντος. |
el |
heal.abstract |
Data Dimensionality Reduction is an algorithmic process used in applications where reduction of the volume of a data set or set of variables to be analysed is desired, while retaining its initial useful information. The two relevant transformation methods that are used in this Thesis, are Principal Components Analysis (PCA) and Independent Component Analysis (ICA).
Furthermore, in the overall data processing framework, two data classification methods are examined, k-Nearest Neighbors (k-NN) and Support Vector Machines (SVM).
These methods are implemented in Matlab, where different algorithms are used and validated through benchmarks, simple applications and lastly through corroboration of studies on biological type data. |
en |
heal.advisorName |
Κωνσταντίνος, Σιέττος |
el |
heal.committeeMemberName |
Σιέττος, Κωνσταντίνος |
el |
heal.committeeMemberName |
Θεοτόκογλου, Ευστάθιος |
el |
heal.committeeMemberName |
Κομίνης, Ιωάννης |
el |
heal.academicPublisher |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
145 σ. |
el |
heal.fullTextAvailability |
true |
|