Πρόβλεψη Συγκέντρωσης Ατμοσφαιρικών Σωματιδίων με Χρήση Μεθόδων Μηχανικής Μάθησης

Ζαϊμιώτη, Ηλιάνα

dc.contributor.author	Ζαϊμιώτη, Ηλιάνα	el
dc.date.accessioned	2021-07-02T09:58:33Z
dc.date.available	2021-07-02T09:58:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53578
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21276
dc.rights	Default License
dc.subject	Μηχανική Μάθηση, Αιωρούμενο Σωματίδιο, Παλινδρόμηση, Πρόβλεψη, Νευρωνικά Δίκτυα	el
dc.title	Πρόβλεψη Συγκέντρωσης Ατμοσφαιρικών Σωματιδίων με Χρήση Μεθόδων Μηχανικής Μάθησης	el
heal.type	bachelorThesis
heal.classification	Artificial Intelligence	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-03-10
heal.abstract	Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάδειξη της Μηχανικής Μάθησης, η οποία αποτελεί ένα διεπιστημονικό πεδίο που περιλαμβάνει τη θεωρία πιθανοτήτων και υπολογιστικής πολυπλοκότητας, τη θεωρία προσεγγίσεων, καθώς επίσης και πολλούς άλλους τομείς της επιστήμης των υπολογιστών. Η Μηχανική Μάθηση είναι ένας από τους πιο ραγδαία αναπτυσσόμενους κλάδους της Πληροφορικής και με την πληθώρα διαθέσιμων όγκων δεδομένων οι δυνατότητες είναι απεριόριστες. Για τη διπλωματική αυτή εργασία, δεδομένα που αφορούν μετρήσεις συγκέντρωσης ατμοσφαιρικών σωματιδίων αξιοποιούνται για την εφαρμογή μοντέλων Μηχανικής Μάθησης. Πιο συγκεκριμένα, κατασκευάζονται γραμμικά και μη γραμμικά μοντέλα παλινδρόμησης με μεθόδους ενδυνάμωσης για δέντρα απόφασης, καθώς επίσης και νευρωνικά δίκτυα. Το σύνολο των δεδομένων που χρησιμοποιείται συνδυάζει μετρήσεις για τη συγκέντρωση του αιωρούμενου σωματιδίου ΡΜ2.5, αλλά και μετεωρολογικές μετρήσεις για ένα χρονικό διάστημα 5 ετών ( 2010 – 2014 ) που αφορούν την πόλη του Πεκίνου. Τα δεδομένα αυτά επεξεργάζονται κατάλληλα ώστε να μπορούν να αξιοποιηθούν για τη μελέτη. Για κάθε ένα από τα μοντέλα που δημιουργούνται αναλύεται η διαδικασία επιλογής των παραμέτρων και ακολουθούν τεχνικές αξιολόγησης των προβλεπόμενων αποτελεσμάτων σύμφωνα με τις πραγματικές παρατηρήσεις με σκοπό την εύρεση εκείνου με την καλύτερη απόδοση και τα λιγότερα σφάλματα.	el
heal.abstract	This diploma thesis aims to highlight the use of Machine Learning, which is an interdisciplinary field that includes probability theory and computational complexity, theory of approaches, as well as many other areas of computer science. Machine Learning is one of the fastest growing branches of IT and with the abundance of available data volumes the possibilities are unlimited. In this thesis, data related to atmospheric particle concentration measurements are utilized for the application of Machine Learning models. More specifically, linear and non-linear regression models are constructed with amplification methods for decision trees, as well as neural networks. The dataset used combines measurements for the concentration of the particulate matter PM2.5, but also meteorological measurements for a period of 5 years (2010 - 2014) over Beijing. This data is processed appropriately so that it can be used for the study. For each of the models that are created, the process of selecting the parameters is analyzed and techniques of evaluation of the predicted results compared to the real observations are used in order to find the one with the best performance and the least errors.	en
heal.advisorName	Κουσουρής, Κωνσταντίνος
heal.committeeMemberName	Κουσουρής, Κωνσταντίνος
heal.committeeMemberName	Παπαγιάννης, Αλέξανδρος
heal.committeeMemberName	Τσιπολίτης, Γεώργιος	el
heal.academicPublisher	Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false