Τεχνικές ανάπτυξης αλγορίθμων μηχανικής μάθησης: επισκόπηση μεθόδων και εφαρμογή σε ναυτιλιακά δεδομένα

Καραμπλιάς, Βασίλειος; Karamplias, Vasileios

dc.contributor.author	Καραμπλιάς, Βασίλειος	el
dc.contributor.author	Karamplias, Vasileios	en
dc.date.accessioned	2024-05-13T09:08:38Z
dc.date.available	2024-05-13T09:08:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59331
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27027
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Επιβλεπόμενη Μάθηση	el
dc.subject	Μη Επιβλεπόμενη Μάθηση	el
dc.subject	Ενισχυτική Μάθηση	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Εκπαίδευση Μοντέλου	el
dc.subject	Πρόβλεψη Κατανάλωσης Καυσίμου	el
dc.subject	Machine Learning	en
dc.subject	Supervised Learning	en
dc.subject	Unsupervised Learning	en
dc.subject	Reinforcement Learning	en
dc.subject	Neural Networks	en
dc.subject	Deep Learning	en
dc.subject	Model Training	en
dc.subject	Fuel Consumption Prediction	en
dc.title	Τεχνικές ανάπτυξης αλγορίθμων μηχανικής μάθησης: επισκόπηση μεθόδων και εφαρμογή σε ναυτιλιακά δεδομένα	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-16
heal.abstract	Στόχος της παρούσας εργασίας είναι η εμβάθυνση στο πεδίο της Μηχανικής Μάθησης και των τεχνικών που περιλαμβάνει καθώς και η εφαρμογή αυτών στον τομέα της ναυτιλίας. Στα πρώτα έξι κεφάλαια, οι θεμελιώδεις έννοιες της μηχανικής μάθησης διερευνώνται διεξοδικά και μελετώνται κατηγορίες όπως η επιβλεπόμενη, η μη επιβλεπόμενη και η ενισχυτική μάθηση. Γίνεται σαφής η πολυπλοκότητα της διαδικασίας της εκπαίδευσης των μοντέλων μηχανικής μάθησης με έμφαση στην παλινδρόμηση και την κατηγοριοποίηση. Ένα σημαντικό μέρος της εργασίας αφορά επισκόπηση αλγορίθμων επιβλεπόμενης μάθησης, όπως η γραμμική και η πολυωνυμική παλινδρόμηση, η παλινδρόμηση με δένδρα αποφάσεων και τυχαία δάση και οι αλγόριθμοι XGBoost και ADABoost. Η εργασία περιλαμβάνει επίσης τεχνικές μη επιβλεπόμενης μάθησης, συμπεριλαμβανομένων αλγορίθμων ομαδοποίησης όπως η K-means ομαδοποίηση και η ιεραρχική ομαδοποίηση καθώς και αλγορίθμων μείωσης διαστάσεων όπως η ανάλυση κύριων συστατικών, η ανάλυση ανεξάρτητων συνιστωσών και η ανάλυση παραγόντων. Στο έβδομο κεφάλαιο παρουσιάζεται η βασική ιδέα και η δομή των νευρωνικών δικτύων, θεμελιώδεις έννοιες αυτών όπως η συνάρτηση ενεργοποίησης, η συνάρτηση κόστους και η μέθοδος οπισθοδρόμησης ενώ συγκρίνονται και τα απλά με τα βαθιά νευρωνικά δίκτυα πριν την εξέταση του τρόπου εκπαίδευσης και αξιολόγησης της απόδοσης των τελευταίων. Το τελευταίο κομμάτι της εργασίας περιλαμβάνει μία πρακτική εφαρμογή τεχνικών μηχανικής μάθησης σε ναυτιλιακά δεδομένα. Αλγόριθμοι μηχανικής μάθησης εφαρμόζονται για την πρόβλεψη της κατανάλωσης καυσίμου, μία παράμετρος υψίστης σημασίας στις θαλάσσιες μεταφορές. Μία νέα προσέγγιση, η Ομοσπονδιακή Μάθηση, εισάγεται και αντιπαρατίθεται με άλλες μεθοδολογίες για την αξιολόγηση της ακρίβειας και της πολυπλοκότητάς της στο περιβάλλον της ναυτιλίας. Μέσω αυτής της σύγκρισης αποκτώνται πρακτικές γνώσεις, και επιλέγονται βέλτιστες στρατηγικές μηχανικής μάθησης για την πρόβλεψη της κατανάλωσης καυσίμου στις θαλάσσιες επιχειρήσεις. Επιπλέον, εντοπίζονται ανοικτά ζητήματα και παρατίθενται τα σχετικά συμπεράσματα και μελλοντικές προεκτάσεις.	el
heal.abstract	The aim of the present study is to delve into the dynamic realm of Machine Learning techniques and their diverse applications in maritime. Across the initial six chapters, the fundamental concepts of Machine Learning are explored comprehensively, covering supervised and unsupervised learning methodologies. The study navigates through the complexities of Machine Learning model training, emphasizing regression and classification. A significant portion of the study is dedicated to supervised learning algorithms, such as linear and polynomial regression, decision tree and random forest regression and ensemble methods like XGBoost and ADABoost as well as unsupervised learning techniques, including clustering algorithms like k-means and hierarchical clustering and dimensionality reduction algorithms like Principal Component Analysis, Independent Component Analysis and Factor Analysis. In Chapter 7, the fundamental principles and architectural foundations of neural networks are meticulously elucidated. The chapter dissects essential concepts including activation functions, cost functions and backpropagation. A comparative analysis between simple and deep neural networks is conducted, setting the stage for an exploration into the training methodologies and performance evaluation focusing on the latter. In Chapter 8, the focus shifts to the practical implementation of Machine Learning techniques within the specific context of maritime environments. Here, the study delves into the integration of Machine Learning algorithms for fuel consumption prediction—a critical concern for maritime sustainability. Federated Learning, a novel approach, is introduced and juxtaposed with other methodologies to assess its accuracy and complexity in the unique maritime setting. Through rigorous comparison, practical insights are gained, shedding light on the optimal Machine Learning strategies for fuel consumption prediction in maritime operations. Additionally, the chapter identifies open issues, paving the way for future research and innovation in the domain.	en
heal.advisorName	Καψάλης, Χρήστος	el
heal.committeeMemberName	Κωττής, Παναγιώτης	el
heal.committeeMemberName	Φικιώρης, Γεώργιος	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	75 σ.	el
heal.fullTextAvailability	false