Βελτίωση της διαλειτουργικότητας των δομημένων ή Ημι-Δομημένων δεδομένων με χρήση τεχνικών μηχανικής μάθησης και μοντέλων γλώσσας

Χονδρογιάννης, Ευθύμιος; Chondrogiannis, Efthymios

dc.contributor.author	Χονδρογιάννης, Ευθύμιος	el
dc.contributor.author	Chondrogiannis, Efthymios	en
dc.date.accessioned	2024-02-05T10:46:46Z
dc.date.available	2024-02-05T10:46:46Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58778
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26474
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Δεδομένα	el
dc.subject	Εναρμόνιση Δεδομένων	el
dc.subject	Μοντέλα Γλώσσας	el
dc.subject	Τεχνικές Μηχανικής Μάθησης	el
dc.subject	Διαλειτουργικότητα Συστημάτων	el
dc.subject	Data	en
dc.subject	Data Harmonization	en
dc.subject	Language Models	en
dc.subject	Machine Learning Techniques	en
dc.subject	System Interoperability	en
dc.title	Βελτίωση της διαλειτουργικότητας των δομημένων ή Ημι-Δομημένων δεδομένων με χρήση τεχνικών μηχανικής μάθησης και μοντέλων γλώσσας	el
heal.type	masterThesis
heal.secondaryTitle	Improving the Interoperability of Structured or Semi-structured Data using Machine Learning Techniques and Language Models	en
heal.classification	Πληροφορική	el
heal.classification	Information technology	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-09
heal.abstract	Τα δεδομένα που συλλέγονται από διάφορους οργανισμούς, που δραστηριοποιούνται σε ένα συγκεκριμένο πεδίο γνώσης, μπορούν να βοηθήσουν στη λήψη σημαντικών αποφάσεων. Ειδικά στον χώρο της κλινικής έρευνας, η από κοινού εξέταση των δεδομένων που προέρχονται από διαφορετικά κέντρα έρευνας και αφορούν μία συγκεκριμένη διαταραχή μπορεί να συμβάλει στην καλύτερη μελέτη του φαινομένου και την εξαγωγή αξιόπιστων αποτελεσμάτων. Ωστόσο, οι διαφορές που υπάρχουν στον τρόπο αναπαράστασης των δεδομένων αυτών αποτελεί συχνά εμπόδιο στην περαιτέρω επεξεργασία και χρήση τους. Στα πλαίσια της εργασίας αυτής μελετήθηκαν διάφορες τεχνικές μηχανικής μάθησης καθώς και ο τρόπος που μπορούν αυτές να συμβάλουν στην επίλυση του παραπάνω προβλήματος. Επιπρόσθετα, αναπτύχθηκαν εργαλεία και μηχανισμοί που συμβάλλουν στη βελτίωση της δια-λειτουργικότητας των δεδομένων μέσω της χρήσης των τεχνικών αυτών. Τα εργαλεία και οι μηχανισμοί που αναπτύχθηκαν, χρησιμοποιήθηκαν για την εναρμόνιση πραγματικών δεδομένων που προέρχονται από διαφορετικά κέντρα έρευνας και αφορούν ασθενείς που πάσχουν από ένα συγκεκριμένο σύνδρομο. Τα αποτελέσματα της εργασίας αυτής έδειξαν ότι τα εργαλεία που αναπτύχθηκαν και ειδικότερα οι μηχανισμοί μηχανικής μάθησης που χρησιμοποιήθηκαν μπορούν να συμβάλουν σημαντικά στην εναρμόνιση των δεδομένων αυτών.	el
heal.abstract	Data collected by different organizations operating in a particular field can help them to take important decisions. Especially in the healthcare and clinical research domains, the collaborative analysis of patient data coming from different research institutes can help the clinical experts in the study of the under investigation disorder and the publication of more accurate results. However, the heterogeneity of data poses an important barrier in the computer-based analysis of patient data collected so far. In this work we have studied several machine learning techniques that could potentially mediate the aforementioned problem. Also, several tools and mechanisms were developed that facilitate the harmonization of data, using machine learning techniques. The developed tools and mechanisms were accordingly applied for the harmonization of patient data coming from two different research organisations. The results verified that the tolls developed and the machine learning techniques used can really help in the harmonization of real data and hence improve their interoperability.	en
heal.advisorName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	91 σ.	el
heal.fullTextAvailability	false