dc.contributor.author | Σεχάντε, Φάντι![]() |
el |
dc.contributor.author | Sechante, Fanti![]() |
en |
dc.date.accessioned | 2018-09-17T10:20:24Z | |
dc.date.available | 2018-09-17T10:20:24Z | |
dc.date.issued | 2018-09-17 | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/47610 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.15791 | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/3.0/gr/ | * |
dc.subject | Μεγάλα δεδομένα | el |
dc.subject | Μηχανική μάθηση | el |
dc.subject | Βαθιά μάθηση | en |
dc.subject | Big data | en |
dc.subject | Machine learning | en |
dc.subject | Deep learning | en |
dc.subject | Hotspot | en |
dc.subject | Getis Ord GI* | en |
dc.subject | Apache spark | en |
dc.subject | Tensorflow | en |
dc.title | Πρόβλεψη των μοτίβων μετακίνησης του πληθυσμού με ταξί, με χρήση μεγάλων δεδομένων και μηχανικής μάθησης | el |
heal.type | bachelorThesis | |
heal.classification | Επιστήμη υπολογιστών | el |
heal.classification | Πληροφορική | en |
heal.classificationURI | http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb | |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2017-05-08 | |
heal.abstract | Σκοπός της παρούσας διπλωματικής εργασίας είναι η δημιουργία ενός μοντέλου μηχανικής μάθησης για την περιγραφή και την πρόβλεψη της μετακίνησης του πληθυσμού της Νέας Υόρκης με χρήση των ταξί, βάση των καιρικών συνθηκών και της ημέρας της εβδομάδας.Αρχικά, για τη δημιουργία των δεδομένων εκπαίδευσης του μοντέλου (συντεταγμένες, καιρικές συνθήκες, z-score) και την ανάλυση των μεγάλων δεδομένων εισόδου, υλοποιείται ο αλγόριθμος Getis Ord GI* σε Scala και Apache Spark. Τα δεδομένα αυτά συνδυάζονται με δεδομένα των καιρικών συνθηκών, και προκύπτει το σύνολο εκπαίδευσης του νευρωνικού δικτύου. Στη συνέχεια, δημιουργούνται πολλές διαφορετικές αρχιτεκτονικές δικτύων βαθιάς μάθησης με χρήση του Tensorflow, τα οποία εκπαιδεύονται και αξιολογούνται. Επιλέγεται η αρχιτεκτονική με την καλύτερη σύγκλιση, και δοκιμάζονται και αξιολογούνται όλες οι συναρτήσεις βελτιστοποίησης και ενεργοποίησης. Τελικά επιλέγονται οι καταλληλότερες παράμετροι για την εκπαίδευση του δικτύου, και εκπαιδεύεται και αξιολογείται το δίκτυο βαθιάς μάθησης. Τέλος δημιουργείται μία διαδικτυακή υπηρεσία και μια διεπαφή χρήστη για τον ευκολότερο πειραματισμό με το μοντέλο και τις προβλέψεις. | el |
heal.abstract | This diploma thesis tries to implement a machine learning model for the description and prediction of the transportation of the population of New York using the yellow taxi cabs, based on the weather conditions and the day of the week. For the creation of the training dataset (coordinates, weather conditions, z-score) and the parsing of the big data input, the Getis Ord GI* algorithm was implemented in Scala and Apache Spark. The dataset was joined with the weather data, and the neural network training set was exported. Multiple deep learning architectures where implemented and evaluated using the Tensorflow library. The architecture with the best convergence was chosen, and all the supported optimization and activation functions where tested and evaluated. The most suitable parameters where chosen, and the deep learning network was trained and evaluated. Finally, a web service and a web interface where implemented to enable the easier experimentation with the model and the predictions. | en |
heal.advisorName | Κοζύρης, Νεκτάριος | el |
heal.committeeMemberName | Παπασπύρου, Νικόλαος | el |
heal.committeeMemberName | Στάμου, Γιώργος | el |
heal.committeeMemberName | Κοζύρης, Νεκτάριος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 69 σ. | |
heal.fullTextAvailability | true |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: