Πλατφόρμα αυτόνομης διαχείρισης μοντέλων
μηχανικής μάθησης για την πρόβλεψη παραμέτρων
πλοίων, στο πλαίσιο ενός πληροφοριακού συστήματος
διαχείρισης στόλου

Βρακίδης, Ησαΐας; Vrakidis, Isaias

dc.contributor.author	Βρακίδης, Ησαΐας	el
dc.contributor.author	Vrakidis, Isaias	en
dc.date.accessioned	2020-05-12T18:56:28Z
dc.date.available	2020-05-12T18:56:28Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50506
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18204
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	Ναυτιλία	el
dc.subject	Διαδίκτυο των πραγμάτων	el
dc.subject	Υπολογιστικό νέφος	el
dc.subject	Πλατφόρμα αυτοματοποίησης	el
dc.subject	Maritime	en
dc.subject	Internet of things	en
dc.subject	Cloud computing	en
dc.subject	Automation platform	en
dc.title	Πλατφόρμα αυτόνομης διαχείρισης μοντέλων μηχανικής μάθησης για την πρόβλεψη παραμέτρων πλοίων, στο πλαίσιο ενός πληροφοριακού συστήματος διαχείρισης στόλου	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-11-12
heal.abstract	Καθώς η Ναυτιλία εισέρχεται στην εποχή του Digital Shipping, δηλαδή, της εφαρμογής νέων τε- χνολογιών ηλεκτρονικών και πληροφορικής σε μεγάλη έκταση πάνω στα πλοία, εντείνεται η ανάγκη ανάπτυξης εργαλείων ώστε να αυξηθεί η απόδοση αυτών και να ελαχιστοποιηθεί η επίπτωσή τους στο περιβάλλον. Τεχνολογίες όπως Machine Learning, Cloud Computing και Internet of Things (IoT) λαμβάνουν εκτεταμένη χρήση για την επίτευξη αυτού του σκοπού. H πληροφορία που παράγεται από τα πλοία και το περιβάλλον τους συλλέγεται με τρόπο που μπορεί να υποστηρίξει την εφαρμογή τεχνικών μηχανικής μάθησης, παρουσιάζοντας, όμως, αρκε- τές προκλήσεις. Καθώς ο αριθμός των αναπτυσσομένων μοντέλων μηχανικής μάθησης αυξάνεται, καθίσταται αδύνατη η εκτέλεση της ροή εργασιών, που απαιτείται, εξ ολοκλήρου από ανθρώπινο δυναμικό. Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη μιας πλατφόρμας για την εύκολη δημιουργία και ενσωμάτωση μοντέλων μηχανικής μάθησης σε IoT συστήματα διαχείρισης στόλου, καθιστώντας, με αυτόν τον τρόπο, εφικτή η εκτεταμένη χρήση της μηχανικής μάθησης, για την α- νάλυση των δεδομένων των πλοίων και την παραγωγή προβλέψεων. Μέσω της πλατφόρμας θα δια- χειρίζεται μεγάλος αριθμός μοντέλων, θα παρακολουθείται η απόδοσή τους και θα προσαρμόζονται στις μεταβολές των καταστάσεων των πλοίων. Θα παρουσιαστεί ο σχεδιασμός της, ο τρόπος με τον οποίο μπορεί να διασυνδέεται σε άλλα συστήματα, καθώς και οι τεχνολογίες που χρησιμοποιήθηκαν για την ανάπτυξή της. Τέλος, θα προσομοιωθεί η λειτουργία της πλατφόρμας ώστε να αναδειχθεί η συνεισφορά της κατά την εφαρμογή της μηχανικής μάθησης.	el
heal.abstract	As maritime operations enters the era of Digital Shipping, there is a growing need for technological tools to increase their efficiency and minimize their impact on the environment. Technologies such as Machine Learning, Cloud Computing and Internet of Things (IoT) are extensively used under this scope. The data acquired from vessels and their environment can support the application of machine learning. This task, though, presents several challenges. As the number of the developing machine learning models increases, the execution of the required workflow entirely by humans becomes infeasible. The purpose of this thesis is the development of a platform for the effortless creation and integration of machine learning models into IoT fleet management systems, thereby making possible the extensive usage of machine learning under the scope of analyzing ship data and performing predictions. The platform will be able to manage large numbers of models, monitor their performance and enable their adaption to changes in ship conditions. The platform’s design, the way the interconnection with other systems is achieved, as well as the technologies used in its development, will be presented. Finally, the platform’s operation will be simulated to highlight its contribution to the application of machine learning.	en
heal.advisorName	Βενιέρης, Ιάκωβος	el
heal.committeeMemberName	Βενιέρης, Ιάκωβος	el
heal.committeeMemberName	Κακλαμάνη, Δήμητρα – Θεοδώρα	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Ευφυών Επικοινωνιών και Δικτύων Ευρείας Ζώνης	el
heal.academicPublisherID	ntua
heal.numberOfPages	75 σ.
heal.fullTextAvailability	false