Δυναμική κατηγοριοποίηση μεγάλων δεδομένων κρίσεων με τη χρήση συνελικτικών νευρωνικών δικτύων

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Ανούστης, Σταμάτιος el
dc.contributor.author Anoustis, Stamatios en
dc.date.accessioned 2019-11-26T10:02:32Z
dc.date.available 2019-11-26T10:02:32Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/49485
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.17183
dc.rights Default License
dc.subject Twitter en
dc.subject Μεγάλα δεδομένα el
dc.subject Κρίση el
dc.subject Διαχείριση καταστροφών el
dc.subject Επίγνωση κατάστασης el
dc.subject Βαθέα νευρωνικά δίκτυα el
dc.subject Επιβλεπόμενη μάθηση el
dc.subject Ταξινόμηση κειμένου el
dc.subject Big data en
dc.subject Situational awareness en
dc.subject Deep neural networks en
dc.subject Crisis en
dc.subject Disaster management en
dc.subject Supervised learning en
dc.subject Text classification en
dc.title Δυναμική κατηγοριοποίηση μεγάλων δεδομένων κρίσεων με τη χρήση συνελικτικών νευρωνικών δικτύων el
dc.title Dynamic categorization of big crisis data with deep convolutional neural networks en
heal.type bachelorThesis
heal.classification Μηχανική μάθηση el
heal.classification Disaster informatics en
heal.classification Νευρωνικά δίκτυα el
heal.language el
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2019-07-11
heal.abstract Μεγάλα δεδομένα παράγονται κατά την εμφάνιση απροσδόκητων καταστροφικών γεγονότων, και αυτό θέτει νέες προκλήσεις στην χρονικά καθοριστική ανάλυση δεδομένων και στις τεχνικές επιβλεπόμενης μάθησης. Τα κοινωνικά δίκτυα αναγνωρίζονται όλο και συχνότερα ως μέσα αρωγής των δράσεων διάσωσης και αποκατάστασης συνεισφέροντας στην επίγνωση κατάστασης κατά τη διάρκεια φαινομένων μαζικής εκτάκτου ανάγκης. Είναι κοινή πρακτική η χρήση μεθόδων επιβλεπόμενης μάθησης για να ερμηνευτούν μεγάλα σύνολα δεδομένων ως προς τους διάφορους τύπους πληροφοριών που διακινούνται μέσω σύντομων μηνυμάτων υπηρεσιών μικροϊστολογίου τύπου Twitter. Υπάρχει ενδιαφέρον από πλευράς κυβερνητικών υπηρεσιών, ΜΚΟ, οργανισμών δημόσιας υγίειας και ανθρωπιστικών οργανώσεων να ερευνηθεί η δυναμική των κοινωνικών δικτύων στην παροχή ανθρωπιστικής βοήθειας μέσω ενός δεδομενο-κεντρικού τρόπου κατά διαχείριση του πληροφοριακού φόρτου και της καλύτερης επιβεβαίωσης και διαλογής των πληροφοριών βάσει προτεραιοτήτων για τους σκοπούς ενός εκάστου. Στο πλαίσιο της κατηγοριοποίησης σύντομων μηνυμάτων κρίσεων, η εφαρμογή νευρωνικών ταξινομητών είναι καινοτόμα. Σκοπός της διπλωματικής εργασίας είναι η ανάπτυξη αξιόπιστων και αποδότικων, σε ότι αφορά τη μείωση του κόστους και του χρόνου επεξεργασίας, μεθόδων ταξινόμησης μεγάλων δεδομένων κρίσεων, βασιζόμενων σε βαθέα νευρωνικά δίκτυα . Προτείνουμε δύο αρχιτεκτονικές βαθέων νευρωνικών δικτύων, που ανήκουν στη ομάδα των συνελικτικών εμπροσθόδρομων, για το έργο της κατηγοριοποίησης των μικρο-κειμενικών δεδομένων κρίσεων. Απεφεύχθη κάθε προσπάθεια εργο-εξειδικευμένης μηχανικής, τόσο στην προεπεξεργασία των δεδομένων όσο και στη σχεδίαση χαρακτηριστικών, καθώς επίσης αποφεύχθηκε και η χρήση εξωτερικών προ-επιμελημένων βάσεων γνώσης. Αξιοποιώντας τα παραπάνω μοντέλα διεξήχθη πειραματική μελέτη έναντι πραγματικών δεδομένων από παλαιότερες καταστροφές. Ελλείψει ικανού αριθμού επισημειώσεων, συμπεριελήφθη μεταφορά γνώσης από ιστορικά δεδομένα προσαρμοσμένα σε κάθε τύπο καταστροφής ξεχωριστά. Το συμπερασμά αυτής της εργασίας είναι πως τα συνελικτικά νευρωνικά δίκτυα μπορούν να αντιμετωπίσουν αποτελεσματικά το πρόβλημα της ταχείας ανάλυσης μεγάλων δεδομένων κρίσεων και είναι πράγματι μια εφικτή και πολλά υποσχόμενη λύση. el
heal.abstract Big data are produced on the onset of unexpected disastrous events which brings challenges in time-critical data analysis and supervised learning techniques. Social media is increasingly acknowledged as a conduit to alleviate the rescue and restore actions and to raise situational awareness during mass emergence events. A common practice is to use supervised learning methods for making sense out of voluminous data-sets for the various types of information disseminated through short messages of micro-blogging platforms such as Twitter. There is an interest from government agencies, NGO’s, public health sectors and humanitarian organizations in investigating the potential of social media for humanitarian aid in a data-driven manner that is handling the overload, better validating and prioritizing the most tactical of the messages for each one’s purpose. Supervised predictive models based on deep neural networks have been recently used in various applications achieving remarkable results, among others, in object and speech recognition. Despite these recent advancements, in the context of crisis-related data categorization, the application of neural network based classifiers is novel. This thesis mainly focuses on developing neural network based classifiers which will enable a reliable and effective, as regards reducing the cost and processing time, classification of big crisis data. We proposed two unified deep neural network architectures, belonging to the class of convolutional feed-forward networks, for the task of short-text crisis data categorization. We intentionally avoid task-specific engineering, in data pre-processing and feature design, as well as the usage of hand-coded external knowledge resources. By utilizing the aforementioned models, an experimental study was conducted against real data from past disasters. Due to the limited amount of labeled data, some form of transfer learning has been involved by utilizing data-sets from past events adapted for each specific type of crisis. The overall conclusion of this thesis is that convolutional neural networks can effectively address the problem of real-time analysis of crisis-related data and it is indeed a viable and a very promising solution. en
heal.advisorName Βαρβαρίγου, Θεοδώρα el
heal.advisorName Varvarigou, Theodora en
heal.committeeMemberName Βαρβαρίγος, Εμμανουήλ el
heal.committeeMemberName Παπαβασιλείου, Συμεών el
heal.committeeMemberName Βαρβαρίγου, Θεοδώρα el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής el
heal.academicPublisherID ntua
heal.numberOfPages 99 σ.
heal.fullTextAvailability true

Files in this item

This item appears in the following Collection(s)

Show simple item record