Τεχνικές ομαδοποίησης με χρήση μηχανικής μάθησης: 
Εφαρμογή σε δεδομένα έργων ανακαίνισης κτιρίων

Σλλάκου, Ιωάννα; Sllakou, Ioanna

dc.contributor.author	Σλλάκου, Ιωάννα	el
dc.contributor.author	Sllakou, Ioanna	en
dc.date.accessioned	2025-03-26T08:23:48Z
dc.date.available	2025-03-26T08:23:48Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61452
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29148
dc.relation	eu-repo/grantAgreement/EC/FP7/12345	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Ανακαίνιση Κτιρίων	el
dc.subject	Ενεργειακή Αποδοτικότητα	el
dc.subject	Μη εποπτευόμενη μηχανική μάθηση	el
dc.subject	Ομαδοποίηση	el
dc.subject	KMeans	en
dc.subject	HDBSCAN	en
dc.subject	DBSCAN	en
dc.title	Τεχνικές ομαδοποίησης με χρήση μηχανικής μάθησης: Εφαρμογή σε δεδομένα έργων ανακαίνισης κτιρίων	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-16
heal.abstract	Οι εκπομπές ρύπων από τα κτίρια αποτελούν σημαντική πηγή περιβαλλοντικής ρύπανσης, συμβάλλοντας στην κλιματική αλλαγή και την υποβάθμιση της ποιότητας του αέρα. Τα κτίρια καταναλώνουν μεγάλες ποσότητες ενέργειας για θέρμανση, ψύξη και φωτισμό, με αποτέλεσμα την εκπομπή διοξειδίου του άνθρακα και άλλων αερίων του θερμοκηπίου. Οι ανακαινίσεις των κτιρίων παίζουν κρίσιμο ρόλο στη μείωση αυτών των εκπομπών, καθώς μπορούν να βελτιώσουν την ενεργειακή απόδοση. Στόχος της παρούσας διπλωματικής εργασίας είναι η εφαρμογή μοντέλων τεχνητής νοημοσύνης και μηχανικής μάθησης για την υποστήριξη της λήψης αποφάσεων σχετικά με τις καλύτερες επιλογές ανακαίνισης κτιρίων. Συγκεκριμένα, υλοποιούνται αλγόριθμοι που ομαδοποιούν δεδομένα κτιρίων στα οποία έχουν γίνει ανακαινίσεις. Αυτή η ομαδοποίηση επιτρέπει στους υπεύθυνους αποφάσεων να συγκρίνουν το κτίριό τους με παρόμοια κτίρια και να επιλέξουν τις βέλτιστες στρατηγικές μείωσης του περιβαλλοντικού τους αποτυπώματος. Χρησιμοποιούνται δεδομένα από κτίρια στη Λετονία πριν και μετά τις ενεργειακές ανακαινίσεις, τα οποία εισάγονται σε τέσσερα διαφορετικά μοντέλα. Οι αλγόριθμοι μηχανικής μάθησης που συγκρίνονται είναι οι K-Means, DBSCAN, HDBSAN και Agglοmerative Clustering. Τα εξαγόμενα συμπεράσματα βοηθούν στην αναγνώριση των διαφόρων προκλήσεων που έχει η ομαδοποίηση ενός συνόλου δεδομένων από ανακαινίσεις κτιρίων αλλά και στον εντοπισμό διάφορων σημαντικών χαρακτηριστικών με βάση τα οποία έγινε η κατηγοριοποίηση. Τα εν λόγω αποτελέσματα και συμπεράσματα έχουν ως σκοπό να ενισχύσουν σημαντικά την διαδικασία ανακαινίσεων των κτιρίων και τη μείωση εκπομπών ρύπων από αυτά.	el
heal.advisorName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	94 σ.	el
heal.fullTextAvailability	false