Ερμηνεύσιμη τεχνητή νοημοσύνη για την ανάλυση δεδομένων διατροφογενωμικής.

Κυριακόπουλος, Νικόλαος; Kyriakopoulos, Nikolaos

dc.contributor.author	Κυριακόπουλος, Νικόλαος	el
dc.contributor.author	Kyriakopoulos, Nikolaos	en
dc.date.accessioned	2024-01-10T10:19:09Z
dc.date.available	2024-01-10T10:19:09Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58549
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26245
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	Διατροφογενετική	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ερμηνευσιμότητα	el
dc.subject	Ερμηνεύσιμη τεχνητή νοημοσύνη	el
dc.subject	Interpretability	en
dc.subject	Nutritional genomics	en
dc.subject	Interpretable artificial intelligence	en
dc.subject	Artificial intelligence	en
dc.title	Ερμηνεύσιμη τεχνητή νοημοσύνη για την ανάλυση δεδομένων διατροφογενωμικής.	el
dc.title	Interpretable artificial intelligence for nutrigenomics data analysis.	en
heal.type	bachelorThesis
heal.generalDescription	Ανάπτυξη και ερμηνευσιμότητα μοντέλων μηχανικής μάθησης σε δεδομένα διατροφογενωμικής με σκοπό την πρόβλεψη της παχυσαρκίας.	el
heal.generalDescription	Applicability and interpretability of machine learning models to nutritional genomics data for obesity prediction.	en
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Μηχανική μάθηση	el
heal.classification	Ανάλυση δεδομένων	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-13
heal.abstract	Η παχυσαρκία συνδέεται με πλήθος παραγόντων όπως τις διατροφικές συνήθειες, την ψυχική υγεία, τη γενετική προδιάθεση και το περιβάλλον του ατόμου. Η παρούσα διπλωματική εργασία στοχεύει στην ανακάλυψη συσχετίσεων μεταξύ διατροφικών συνηθειών και γενετικών παραγόντων που μπορεί να συνδέονται με την εμφάνιση της παχυσαρκίας με μεθόδους μηχανικής μάθησης χρησιμοποιώντας ένα σύνολο δεδομένων με στοιχεία από 2700 άτομα. Το σύνολο δεδομένων είχε 64 χαρακτηριστικά εισόδου τα οποία σχετίζονται με το φύλο, τις διατροφικές συνήθειες και γονιδιακά δεδομένα των συμμετεχόντων, γι’ αυτό υπήρξε η ανάγκη επιλογής των σημαντικότερων από αυτά. Συγκεκριμένα, δημιουργήθηκαν υποσύνολα με πέντε ως είκοσι πέντε χαρακτηριστικά εισόδου και αναπτύχθηκαν μοντέλα πρόβλεψης και ταξινόμησης, που χρησιμοποιούσαν ως είσοδο αυτά τα υποσύνολα. Στην συνέχεια, με στόχο την αύξηση της αξιοπιστίας των μοντέλων χρησιμοποιήθηκε η μέθοδος ερμηνευσιμότητας Shapley. Μέσω αυτής της μεθόδου εντοπίστηκαν συγκεκριμένοι παράγοντες που επηρεάζουν το φαινόμενο της παχυσαρκίας. Το μοντέλο Gradient Boosting που υλοποιήθηκε πέτυχε ακρίβεια 68,80% και τα αποτελέσματα της ερμηνευσιμότητας έδειξαν πως ο καθορισμός του φύλου, τα κορεσμένα λίπη, το φολικό οξύ, η καφεΐνη, το φολικό οξύ που λαμβάνεται από την τροφή, τα ωμέγα 3 λιπαρά που λαμβάνονται από την τροφή και η οικογένεια φυτών Allium, είναι οι παράγοντες που επηρεάζουν περισσότερο την εξέλιξη της παχυσαρκίας.	el
heal.abstract	Obesity can be associated to many factors such as dietary habits, mental health, genetic predisposition and the environment of the individual. This study, aims at discovering the correlations between nutritional habits and genetic variations that might be related to obesity with machine learning methods using a dataset of 2,700 individuals. The dataset had 64 input variables, related to gender, dietary habits and genetic predisposition of the participants. To decrease the dimension of the input, feature selection algorithms were adopted. Subsequently, to enhance the reliability of the models, the Shapley interpretability method was employed. Through this method, specific factors that influence the phenomenon of obesity were identified. The Gradient Boosting model that was developed achieved an accuracy of 68.80%, and the interpretability results demonstrated that gender, saturated fats, folic acid, caffeine, dietary folic acid, omega-3 fatty acids from food, and the Allium were the factors that had the most significant impact on the development of obesity.	en
heal.advisorName	Δαλακλείδη, Καλλιόπη	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	el
heal.academicPublisherID	ntua
heal.numberOfPages	68 σ.	el
heal.fullTextAvailability	false