Εκπαίδευση αλγορίθμων ταξινόμησης για χαρακτηρισμό αδρονικών πιδάκων στον ανιχνευτή CMS του CERN

Περδίκης, Δημήτριος; Perdikis, Dimitrios

dc.contributor.author	Περδίκης, Δημήτριος	el
dc.contributor.author	Perdikis, Dimitrios	en
dc.date.accessioned	2018-06-29T08:26:37Z
dc.date.available	2018-06-29T08:26:37Z
dc.date.issued	2018-06-29
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47155
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15496
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.subject	Supervised learning	en
dc.subject	CMS	en
dc.subject	CERN	en
dc.title	Εκπαίδευση αλγορίθμων ταξινόμησης για χαρακτηρισμό αδρονικών πιδάκων στον ανιχνευτή CMS του CERN	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-02-16
heal.abstract	Στην παρούσα διπλωματική εργασία γίνεται μια μελέτη των αλγορίθμων ταξινόμησης στην μηχανική μάθηση με επίβλεψη. Ειδικότερα οι αλγόριθμοι που μελετήθηκαν και εφαρμόστηκαν, εξετάζοντας αναλυτικά τις παραμέτρους τους είναι: ο απλός γραμμικός ταξινομητής, η μέθοδος Fisher, η μέθοδος ελαχίστων τετραγώνων για ταξινόμηση, η μέθοδος k πλησιέστερων γειτόνων, η μηχανή διανυσματικής στήριξης, τα νευρωνικά δίκτυα, τα δέντρα απόφασης και ο συνδυασμός ταξινομητών (Boosting). Τα δεδομένα που χρησιμοποιήθηκαν σχετίζονται με την φυσική υψηλών ενεργειών, αντικείμενο το οποίο απαιτεί ανάλυση μεγάλου όγκου δεδομένων. Πιο συγκεκριμένα τα δεδομένα προήλθαν απο τον ανιχνευτή compact muon solenoid (CMS) του ευρωπαικού κέντρου πυρηνικών ερευνών (CERN). Η ανάλυση έγινε τόσο σε θεωρητικό επίπεδο, μελετώντας την μαθηματική θεωρία που περιγράφει τους αλγόριθμους αυτούς, όσο και σε προγραμματιστικό με τα λογισμικά TMVA του ROOT και MATLAB. Ο κώδικας που γράφτηκε για την μελέτη των παραπάνω μεθόδων στο TMVA/ROOT δίνεται στα παραρτήματα.	el
heal.abstract	The subject of this thesis is the study of the supervised machine learning classification algorithms. In particular, the algorithms which were studied and applied, analyzing their parameters in detail, were the linear discriminant, the Fisher method, the least square method for classification, the k nearest neighbors’ method, support vector machine, neural networks, decision trees and the combination of classifiers (Boosting). The data we used were related to to high-energy physics, an object which requires big data analysis. More specifically, the data came from the compact muon solenoid (CMS) detector of the European Organization for Nuclear Research (CERN). The analysis was made both theoretically, studying the mathematical theory describing these algorithms, and practically by programming these methods with the TMVA software of ROOT and MATLAB. The code written for the study of the above methods with TMVA / ROOT is given in the annexes at the end.	en
heal.advisorName	Κουσουρής, Κωσταντίνος	el
heal.committeeMemberName	Δασκαλάκης, Γ.	el
heal.committeeMemberName	Τσιπολίτης, Γ.	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Φυσικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	91 σ.
heal.fullTextAvailability	true