Δειγματοληψία με τη μέθοδο των λατινικών υπερκύβων και εφαρμογές στην μηχανική μάθηση

Πολλάλη, Μαρία-Αγγελική; Pollali, Maria-Angeliki

dc.contributor.author	Πολλάλη, Μαρία-Αγγελική	el
dc.contributor.author	Pollali, Maria-Angeliki	en
dc.date.accessioned	2022-11-02T08:29:24Z
dc.date.available	2022-11-02T08:29:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56065
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23763
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες και στα Χρηματοοικονομικά”	el
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	Μηχανική Μάθηση	el
dc.subject	Λατινικοί Υπερκύβοι	el
dc.subject	Τυχαία Δάση	el
dc.subject	Κ - Πλησιέστεροι Γείτονες	el
dc.subject	Δειγματοληψία	el
dc.subject	Sampling	en
dc.subject	Latin Hypercube	en
dc.subject	K-Nearest Neighbours	en
dc.subject	Random Forest	en
dc.subject	Machine Learning	en
dc.title	Δειγματοληψία με τη μέθοδο των λατινικών υπερκύβων και εφαρμογές στην μηχανική μάθηση	en
dc.title	Latin Hypercube Sampling and applications in Machine Learning	en
heal.type	masterThesis
heal.classification	Στατιστική και Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-06-29
heal.abstract	Αναμφίβολα ζούμε σε μια εποχή όπου τα δεδομένα κατακλύζουν την ζωή μας και μερικές φορές είναι ακατόρθωτο να τα αποθηκεύσουμε στην μνήμη του υπολογιστή μας (πρόβλημα των Μεγάλων Δεδομένων). Μια διέξοδο για την σύγχρονη Μηχανική Μάθηση και το πρόβλημα των Μεγάλων Δεδομένων αποτελεί η δειγματοληψία με την μέθοδο των Λατινικών Υπερκύβων. Συγκεκριμένα, φαίνεται ότι αν δειγματοληπτίσουμε από τα αρχικά δεδομένα μας με την μέθοδο των λατινικών υπερκύβων και στη συνέχεια εφαρμόσουμε κάποιο μοντέλο πρόβλεψης ή ταξινόμησης η ακρίβεια των αποτελεσμάτων μας θα είναι σχεδόν ίδια με το να χρησιμοποιούσαμε όλα τα αρχικά δεδομένα. Η παρούσα διπλωματική εργασία δομείται ως ακολούθως: Στο πρώτο εισαγωγικό κε- φάλαιο περιγράφεται το πρόβλημα των Μεγάλων Δεδομένων και κάποιες βασικές αρχές δειγματοληψίας. Στο δεύτερο κεφάλαιο θεμελιώνεται η δειγματοληψία με την μέθοδο των λατινικών υπερκύβων. Στο τρίτο κεφάλαιο αναλύεται η δομή και η λειτουργία της δειγματοληψίας με την μέθοδο των λατινικών υπερκύβων καθώς και των αλγορίθμων ταξινόμησης που χρησιμοποιήθηκαν στο πειραματικό στάδιο. Στο τέταρτο κεφάλαιο αναφέρεται αναλυτικά όλο το πειραματικό στάδιο και σχολιάζονται τα αποτελέσματα εφαρμογής της μεθόδου πάνω σε πραγματικά δεδομένα.	el
heal.abstract	Indisputably, we live in an era where data overwhelms our lives and sometimes it is im- possible to store it in our computer memory (the Big Data problem). One way out for modern Machine Learning and the Big Data problem is the Latin Hypercube sampling method. It appears that if we sample from our original data using the Latin Hypercube method and then apply a prediction or classification model the accuracy of our results will be almost the same as if we used all the original data. This thesis is structured as follows: The first introductory chapter describes the Big Data problem and some basic sampling principles. The second chapter establishes the sampling with the Latin hypercube method. The third chapter discusses the structure and operation of Latin hypercube sampling and the classification algorithms used in the experimental stage. In chapter four the whole experimental stage is reported in detail and results of applying the method on real data are commented.	en
heal.advisorName	Κουκουβίνος, Χρήστος	el
heal.committeeMemberName	Στεφανέας, Πέτρος	el
heal.committeeMemberName	Κουκουβίνος, Χρήστος	el
heal.committeeMemberName	Καρώνη, Χρυσηίς	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	106 σ.	el
heal.fullTextAvailability	false