Μοντελοποίηση παιδικής παχυσαρκίας με χρήση ερμηνεύσιμης τεχνητής νοημοσύνης

Βόγκας, Δημήτριος; Vogkas, Dimitrios

dc.contributor.author	Βόγκας, Δημήτριος	el
dc.contributor.author	Vogkas, Dimitrios	en
dc.date.accessioned	2024-01-08T09:20:43Z
dc.date.available	2024-01-08T09:20:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58510
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26206
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Παιδική παχυσαρκία	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ενισχυτική μάθηση	el
dc.subject	Επιβλεπόμενη μάθηση βασισμένη σε δέντρα αποφάσεων	el
dc.subject	Συμμόρφωση	el
dc.subject	Childhood obesity	en
dc.subject	Machine learning	en
dc.subject	Reinforcement learning	en
dc.subject	Tree-based supervised learning	en
dc.subject	Adherence	en
dc.title	Μοντελοποίηση παιδικής παχυσαρκίας με χρήση ερμηνεύσιμης τεχνητής νοημοσύνης	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Βιοϊατρική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-13
heal.abstract	Η παιδική παχυσαρκία αποτελεί προδιαθεσικό παράγοντα για την εμφάνιση χρόνιων νοσημάτων (π.χ. σακχαρώδης διαβήτης, καρδιαγγειοπάθεια κ.ά.) μετά την ενηλικίωση, ενώ προκαλεί επιπτώσεις και στην ψυχική υγεία. Συνεκτιμώντας και τη μεγάλη εξάπλωσή της σε παγκόσμιο επίπεδο, καθίσταται αναγκαία η εύρεση αποτελεσματικών παρεμβάσεων για τη διαχείρισή της. Η μεγάλη πρόκληση που έχουν να αντιμετωπίσουν τα πλάνα παρέμβασης είναι η συμμόρφωση στις ιατρικές συστάσεις. Για αυτόν τον λόγο, προτείνεται η χρήση τεχνολογιών κινητής υγείας και τεχνητής νοημοσύνης. Στο πλαίσιο της παρούσας διπλωματικής, διερευνήθηκαν τεχνικές ερμηνεύσιμης τεχνητής νοημοσύνης και ενισχυτικής μάθησης τόσο για την διαστρωμάτωση των παιδιών ως προς το βαθμό συμμόρφωσης στο πλάνο θεραπείας, όσο και για την παραγωγή εξατομικευμένου περιεχομένου για την μετέπειτα προβολή του στους τελικούς χρήστες υπολογιστικών οικοσυστημάτων διαχείρισης της παιδικής παχυσαρκίας. Πιο συγκεκριμένα, στο πρώτο μέρος της εργασίας αναπτύσσονται μοντέλα επιβλεπόμενης μηχανικής μάθησης βασισμένης σε δέντρα αποφάσεων για την πρόβλεψη του βαθμού συμμόρφωσης χρησιμοποιώντας δεδομένα πρώτης επίσκεψης, κατά την έναρξη του πλάνου παρέμβασης. Στο δεύτερο σκέλος, χρησιμοποιείται ενισχυτική μάθηση για την εκμάθηση της βέλτιστης πολιτικής αποστολής προτρεπτικών και εκπαιδευτικών μηνυμάτων με στόχο τη μεγιστοποίηση της συμμόρφωσης και τη βελτιστοποίηση της έκβασης της θεραπείας. Σε όλη την έκταση της εργασίας, δίνεται έμφαση στην ερμηνευσιμότητα των εφαρμοζόμενων τεχνικών μηχανικής μάθησης.	el
heal.advisorName	Ζαρκογιάννη, Κωνσταντία	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	118 σ.	el
heal.fullTextAvailability	false