Πρόβλεψη της κρίσιμης θερμοκρασίας υπεραγωγών με χρήση τεχνικών μηχανικής μάθησης

Διαμαντόπουλος, Μιχαήλ; Diamantopoulos, Michail

dc.contributor.author	Διαμαντόπουλος, Μιχαήλ
dc.contributor.author	Diamantopoulos, Michail
dc.date.accessioned	2019-12-02T10:54:51Z
dc.date.available	2019-12-02T10:54:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49514
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17212
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πρόβλεψη	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Δέντρα απόφασης	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Παλινδρόμηση	el
dc.subject	Prediction	en
dc.subject	Machine learning	en
dc.subject	Decision trees	en
dc.subject	Neural networks	en
dc.subject	Regression	el
dc.title	Πρόβλεψη της κρίσιμης θερμοκρασίας υπεραγωγών με χρήση τεχνικών μηχανικής μάθησης	el
dc.title	Predicting the critical temperature of a superconductor by using machine learning techniques	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.classification	Παλινδρόμηση	el
heal.classification	Regression	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-09-30
heal.abstract	Σκοπός της συγκεκριμένης πτυχιακής εργασίας είναι η κατασκευή ενός μοντέλου που θα είναι σε θέση να προβλέπει με όσο το δυνατόν μεγαλύτερη ακρίβεια, την κρίσιμη θερμοκρασία ενός υλικού, δηλαδή τη θερμοκρασία κάτω από την οποία το υλικό αποκτά ιδιότητες υπεραγωγού, βασιζόμενο στη χημική του σύσταση. Για την επίτευξη του σκοπού αυτού, χρειάστηκε να δοκιμαστούν διάφορες τεχνικές και μοντέλα μηχανικής μάθησης (ελάχιστα τετράγωνα, δένδρα απόφασης, μέθοδοι ενδυνάμωσης, νευρωνικά δίκτυα κ.α.) και να αξιολογηθούν με βάση την απόδοση τους ώστε το τελικό μοντέλο παλινδρόμησης, να έχει όσο το δυνατόν μεγαλύτερη ακρίβεια στις προβλέψεις του και να είναι όσο το δυνατόν πιο γενικευμένο. Στα πλαίσια της πτυχιακής εργασίας αυτής αναλύονται οι βασικότερες και πιο διαδεδομένες τεχνικές μηχανικής μάθησης, που εφαρμόζονται σε προβλήματα παλινδρόμησης. Έτσι μπορεί να αποτελέσει έναν οδηγό για κάποιον που καλείται να αντιμετωπίσει ένα πρόβλημα παλινδρόμησης, ώστε να έχει μια καλή εικόνα του εύρους των τεχνικών που μπορεί να χρησιμοποιήσει αλλά και της βασικής θεωρίας που κρύβεται πίσω από αυτές.	el
heal.abstract	The purpose of this diploma thesis is to develop a model that will be able to predict as accurately as possible the critical temperature of a superconductor, the temperature below which the material acquires superconducting properties, based on its chemical properties. To achieve this goal, various techniques and machine learning models (least squares, decision trees, boosting methods, and neural networks) were tested and evaluated on their performance, so that the final regression model is as accurate and generalized as possible. In this thesis, we also, analyze the most basic and most widely used machine learning techniques applied to regression problems. So it can be a guide for someone who has to deal with a regression problem in order to get a good idea of the range of techniques he can use and the basic theory behind them.	en
heal.advisorName	Κουσουρής, Κωνσταντίνος
heal.committeeMemberName	Κουσουρής, Κωνσταντίνος
heal.committeeMemberName	Τσιπολίτης, Γεώργιος
heal.committeeMemberName	Τζαμαριουδάκη, Αικατερίνη
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Φυσικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	120 σ.
heal.fullTextAvailability	false