Αλγόριθμοι επιβλεπόμενης μάθησης για ανάλυση μεγάλου όγκου δεδομένων από φορητές συσκευές σε κατανεμημένα περιβάλλοντα επεξεργασίας

Γεωργούλης, Άγγελος; Georgoulis, Angelos

dc.contributor.author	Γεωργούλης, Άγγελος	el
dc.contributor.author	Georgoulis, Angelos	en
dc.date.accessioned	2020-09-30T09:11:33Z
dc.date.available	2020-09-30T09:11:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51225
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18923
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	Machine learning	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Distributed environment	en
dc.subject	Big data	en
dc.subject	Apache Spark	en
dc.subject	Supervised learning	en
dc.subject	Κατανεμημένο περιβάλλον	el
dc.subject	Μεγάλα δεδομένα	el
dc.subject	Απάτσι Σπαρκ	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.title	Αλγόριθμοι επιβλεπόμενης μάθησης για ανάλυση μεγάλου όγκου δεδομένων από φορητές συσκευές σε κατανεμημένα περιβάλλοντα επεξεργασίας	el
heal.type	bachelorThesis
heal.classification	Επιστήμη υπολογιστών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-15
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η κατηγοριοποίηση σημάτων που βρίσκονται στη μορφή συντεταγμένων χώρου και προέρχονται από φορητές συσκευές. Η δυσκολία έγκειται στο γεγονός πως μια τέτοια διεργασία δεν είναι εφικτή σε ένα σύνηθες προσωπικό υπολογιστικό σύστημα με συμβατικές τεχνικές όταν τα δεδομένα εμπίπτουν στην κατηγορία των Μεγάλων Δεδομένων. Για το λόγο αυτό χρησιμοποιούμε το Apache Spark σε ένα κατανεμημένο υπολογιστικό περιβάλλον. Το κάθε σήμα κατηγοριοποιείται σε μία από έξι κλάσεις ανάλογα με τη φυσική δραστηριότητα στην οποία είχε υποβληθεί το άτομο από το οποίο λαμβάνονταν κάθε φορά οι μετρήσεις. Χρησιμοποιούνται γνωστοί αλγόριθμοι επιβλεπόμενης μηχανικής μάθησης, όπως τα τυχαία δάση και η λογιστική παλινδρόμηση, για τη δημιουργία μοντέλων πρόβλεψης. Το κάθε μοντέλο εκπαιδεύεται σε ένα σύνολο δεδομένων εκπαίδευσης και παράλληλα βελτιστοποιείται, χρησιμοποιώντας ειδικές τεχνικές ώστε, δεδομένων των παρεχόμενων υπερπαραμέτρων, να εφαρμοστεί σε ένα σύνολο δεδομένων ελέγχου και να αποφέρει όσο το δυνατόν χαμηλότερο σφάλμα αναγνώρισης της εκάστοτε δραστηριότητας.	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στεφανέας, Πέτρος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	67 σ.	el
heal.fullTextAvailability	false