Πρόβλεψη της εξέλιξης της νόσου Covid-19 ως χρονοσειρά με τη χρήση μηχανικής μάθησης

Πασσαδάκης, Άδμητος-Ραφαήλ; Passadakis, Admitos-Rafail

dc.contributor.author	Πασσαδάκης, Άδμητος-Ραφαήλ	el
dc.contributor.author	Passadakis, Admitos-Rafail	en
dc.date.accessioned	2021-07-12T07:28:51Z
dc.date.available	2021-07-12T07:28:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53604
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21302
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Κρούσματα/Θάνατοι Covid-19	el
dc.subject	Πρόβλεψη χονοσειρών	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μηχανισμός προσοχής	el
dc.subject	Γεωγραφικά χαρακτηριστικά	el
dc.subject	Cases/Deaths of Covid-19	en
dc.subject	Time series forecasting	en
dc.subject	Neural networks	en
dc.subject	Attention mechanism	en
dc.subject	Geographical features	en
dc.title	Πρόβλεψη της εξέλιξης της νόσου Covid-19 ως χρονοσειρά με τη χρήση μηχανικής μάθησης	el
dc.contributor.department	Εργαστήριο Ευφυών Συστημάτων, Περιεχομένου και Αλληλεπίδρασης	el
heal.type	bachelorThesis
heal.classification	Επιστήμη των Δεδομένων	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-06-07
heal.abstract	Από τις αρχές του 2020 ολόκληρος ο κόσμος μαστίζεται από την πανδημία του κορωνοϊού, ενώ σε καθημερινή βάση ενδιαφερόμαστε για τα δεδομένα της νόσου αλλά και την μελλοντική της εξέλιξη. Σκοπός της παρούσας διπλωματικής εργασίας είναι η εξοικείωση με τα δεδομένα της Covid-19 και στη συνέχεια η χρήση μοντέλων μηχανικής μάθησης προκειμένου να προβλέψουμε την εξέλιξη της πανδημίας ως προς τα κρούσματα και τους θανάτους. Το πρόβλημα αυτό, αντιμετωπίζεται πρωτοποριακώς, ως πρόβλημα χρονοσειρών και έτσι υπάγεται στα προβλήματα πρόβλεψης χρονοσειρών. Τα προβλήματα αυτά είναι ευρέως διαδεδομένα σε πολλούς τομείς της Επιστήμης των Δεδομένων. Πιο συγκεκριμένα, η εργασία μας χωρίζεται σε 2 κεντρικούς άξονες. Πρώτα, γνωρίζουμε μέσα από μαθηματικές σχέσεις τα δεδομένα αυτής της ασθένειας και έπειτα τα αποτυπώνουμε με την βοήθεια στατιστικών απεικονίσεων. Στο δεύτερο και εκτενέστερο σκέλος, στοχεύουμε στην γνωριμία και βασική μαθηματική θεμελίωση ειδικών μοντέλων μηχανικής μάθησης, των νευρωνικών δικτύων. Εξ αυτών, περιγράφουμε αναλυτικά τα επαναληπτικά και συνελικτικά νευρωνικά δίκτυα (RNNs και CNNs), τις ζεύξεις αυτών και τις δομές κωδικοποιητών-αποκωδικοποιητών με μηχανισμό Προσοχής. Στη συνέχεια, αφού γνωρίσουμε και προτείνουμε διάφορες μεθόδους πρόβλεψης χρονικά ακολουθιακών δεδομένων, χρησιμοποιούμε αυτές, σε συνδυασμό με τα νευρωνικά δίκτυα για να προβλέψουμε τα επικείμενα κρούσματα και θανάτους της νόσου Covid-19 για διάφορες χώρες αλλά και παγκόσμια. Επιπρόσθετα, πραγματοποιούμε πειράματα κατά τα οποία τα μοντέλα μας χρησιμοποιώντας μηχανισμούς ανατροφοδότησης προβλέπουν την εξέλιξη της νόσου πέρα από το χρονικό ορίζοντα του συνόλου δεδομένων αλλά και κατασκευάζουμε δίκτυα αποκαλούμενα ως Autoencoders που μας δίνουν τη δυνατότητα ανίχνευσης ακραίων τιμών στα δεδομένα (πιθανά σημεία απότομης έξαρσης/συρρίκνωσης της πανδημιάς). Τέλος, προτείνουμε μια μέθοδο, όπου μέσα από την αποτελέσματικότητα των μοντέλων, μπορούμε να εξάγουμε έως ένα βαθμό, ορισμένα γεωγραφικά χαρακτηριστικά και συμπεράσματα ως προς την εικόνα της πανδημίας ανά τις χώρες της υφηλίου.	el
heal.advisorName	Κολλίας, Στέφανος	el
heal.advisorName	Τζούβελη, Παρασκευή	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	154 σ.	el
heal.fullTextAvailability	false