Ανάλυση Μπεϋζιανών Δικτύων και Εφαρμογή για Πρόβλεψη Κινδύνου σε Νανοϋλικά

Ρουμελιώτης, Ευάγγελος; Roumeliotis, Evangelos

dc.contributor.author	Ρουμελιώτης, Ευάγγελος	el
dc.contributor.author	Roumeliotis, Evangelos	en
dc.date.accessioned	2020-12-07T10:35:29Z
dc.date.available	2020-12-07T10:35:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52336
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20034
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Συστήματα Αυτοματισμού”	el
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Μπεϋζιανά Δικτύα	el
dc.subject	Πρόβλεψη	el
dc.subject	Machine Learning	en
dc.subject	Bayesian Networks	en
dc.subject	Prediction	en
dc.title	Ανάλυση Μπεϋζιανών Δικτύων και Εφαρμογή για Πρόβλεψη Κινδύνου σε Νανοϋλικά	el
dc.title	Bayesian Networks Analysis and Application of Danger Forecasting in Nanomaterials	el
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Στατιστική	el
heal.classification	Μαθηματικά	el
heal.classification	Μπεϋζιανά Δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-30
heal.abstract	Στο πλαίσιο της παρούσας διπλωματικής εργασίας έγινε μία εις βάθος ανάλυση των μπεϋζιανών δικτύων και των αλγορίθμων που σχετίζονται με την εύρεση δομής, στατιστικού μοντέλου και πρόβλεψης σε αυτά. Σε κάθε κεφάλαιο δημιουργήθηκαν πολλαπλά παραδείγματα για την πλήρη εμπέδωση εννοιών και αλγορίθμων. Την εκτενή θεωρητική κάλυψη του αντικειμένου ακολούθησε μία μελέτη περίπτωσης, όπου προβλήθηκε η δυνατότητα αιτιακής μοντελοποίησης και πρόβλεψης του κινδύνου νανοϋλικών. Η εργασία ξεκινάει με θεμελίωση βασικών εννοιών Στατιστικής και Πιθανοτήτων, όπως η έννοιας της πιθανότητας, η έννοια της στοχαστικής ανεξαρτησίας και το θεώρημα του Bayes, εργαλεία απαραίτητα για να γίνουν πλήρως αντιληπτές οι έννοιες που παρουσιάζονται σε επόμενα κεφάλαια. Στη συνέχεια, αναλύονται δομικά στοιχεία της θεωρίας των γραφημάτων που είναι απαραίτητα για τον ορισμό και την κατανόηση των μπεϋζιανών δικτύων, όπως τα κατευθυνόμενα ακυκλικά γραφήματα (directed acyclic graphs) και το κριτήριο του διαχωρισμού κατεύθυνσης (direction separation) μεταξύ των κόμβων. Στη συνέχεια παρουσιάζεται η ανάλυση των μπεϋζιανών δικτύων, ξεκινώντας με τον ορισμό και τις ιδιότητες τους. Ακολουθεί η παρουσίαση των βασικών μεθόδων εύρεσης παραμέτρων, όπως η μέθοδος εκτίμησης μέγιστης πιθανοφάνειας, η μπεϋζιανή προσέγγιση και ο αλγόριθμος EM (Expectation Maximization). Επιπλέον, αναλύονται οι δύο υπερκατηγορίες αλγορίθμων εύρεσης δομής μπεϋζιανών δικτύων, δηλαδή οι αλγόριθμοι με περιορισμούς (constraint-based) και οι αλγόρθμοι που βασίζονται στη βαθμολόγηση (score-based). Η ανάλυση κλείνει με αναφορά σε μεθοδολογίες ακριβούς και προσεγγιστικής συμπερασματολογίας/πρόβλεψης. Το δεύτερο μέρος της εργασίας ασχολείται με την εφαρμογή των προηγούμενων μεθόδων σε ένα πρόβλημα κατηγοριοποίησης. Συγκεκριμένα, ο στόχος αυτού του μέρους ήταν η πρόβλεψη των κλάσεων κινδύνου νανοϋλικών χρησιμοποιώντας το σετ δεδομένων των Marvin et al. (2017). Δοκιμάστηκαν διάφορες στρατηγικές κατασκευής μοντέλου, οι οποίες περιελάμβαναν ένα μεγάλο εύρος τεχνικών και αλγορίθμων, από χρήση έτοιμου δικτύου μέχρι κατασκευή δικτύου και από στατική μέχρι στοχαστική πρόβλεψη. Με χρήση διάφορων στατιστικών μέτρων προκρίθηκε η καλύτερη στρατηγική, η οποία εφαρμόστηκε εξ αρχής στο ίδιο σετ δεδομένων αλλά ακολουθώντας τον διαχωρισμό μεταξύ σετ εκπαίδευσης (training set) και δοκιμής (test set) που ακολούθησαν και οι Marvin et al. (2017), ώστε να μπορεί να διεξαχθεί σύγκριση μεταξύ των δύο μεθοδολογιών.Μετά την παρουσίαση των αποτελεσμάτων ακολουθεί η αναφορά των συμπερασμάτων που εξήχθησαν μέσα από αυτή την εργασία.	el
heal.abstract	In the present thesis, an in-depth analysis of Bayesian networks was performed, stretchiing from algorithms related to finding their structure amd statistical model to prediction algorithms. In each chapter, multiple examples were created for attaining a complete understanding of concepts and algorithms. The extensive theoretical coverage of the subject was followed by a case study, which demonstrated the possibility of causally modeling and predicting the hazard of nanomaterials. The thesis begins with the establishment of basic concepts of Statistics and Probability, such as the concept of probability, the concept of stochastic independence and Bayes' theorem, tools necessary for fully understanding the concepts presented in the subsequent chapters. On top of that, structural elements of graph theory that are necessary for the definition and understanding of Bayesian networks are analyzed, such as directed acyclic graphs and the d-separation criterion between nodes. Following that, an analysis of Bayesian networks takes place, starting with their definition and properties. After that the basic parameter estimation methods are presented, such as the maximum likelihood estimation, the Bayesian approach and the EM (Expectation Maximization) algorithm. In addition, the two subcategories of Bayesian network structure learning algorithms are analyzed, namely constraint-based and score-based algorithms. The theoretical analysis comes to an end with a reference to accurate and approximate inference. The second part of this work deals with the application of the previous methods to a classification problem. Specifically, the purpose of this section was to predict the hazard of nanomaterials using the data set of Marvin et al. (2017). Various model building strategies were tested, which included a wide range of techniques and algorithms, from predefined structure to structure learning and from static to stochastic prediction. Using various statistical measures, the best strategy was selected, which was then applied from the beginning in the same data set, but following the separation between training and test set presented in Marvin et al. (2017), so that a comparison can be made between the two methodologies. After the presentation of the results, the conclusions drawn from this work are reported.	en
heal.advisorName	Σαρίμβεης, Χαράλαμπος	el
heal.committeeMemberName	Σαρίμβεης, Χαράλαμπος	el
heal.committeeMemberName	Ταραντίλη, Πετρούλα	el
heal.committeeMemberName	Τσακανίκας, Άγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false