dc.contributor.advisor | Κούτρας, Μάρκος | |
dc.contributor.author | Παναγιωτίδης, Παναγιώτης | |
dc.date.accessioned | 2019-09-16T05:55:39Z | |
dc.date.available | 2019-09-16T05:55:39Z | |
dc.date.issued | 2019-09 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12144 | |
dc.description.abstract | Στην εποχή των μεγάλων δεδομένων, που ζούμε, υπάρχει η ανάγκη επεξεργασίας τεράστιων ποσοτήτων δεδομένων μεγάλης διάστασης. Ωστόσο, η μεγάλη διάσταση των δεδομένων, η περιορισμένη αντίληψη του ανθρώπινου νου και η δυσκολία της απεικόνισής τους στο επίπεδο ή στον χώρο αποτελούν μια μεγάλη πρόκληση για την ανάπτυξη αποτελεσματικών μεθόδων οπτικοποίησης. Οι κλασικές μέθοδοι οπτικοποίησης που έχουν εισαχθεί λειτουργούν ικανοποιητικά για δεδομένα χαμηλών διαστάσεων, αλλά αποτυγχάνουν για τα δεδομένα υψηλής διάστασης. Οι κλασικές μέθοδοι οπτικοποίησης είναι πολύ απλουστευτικές, δεν βοηθούν να αποκτήσουμε βαθύτερη εικόνα των δεδομένων ή διαπιστώνεται ότι είναι υπερβολικά δυσκίνητες και υπολογιστικά ανεπαρκείς. Στην εργασία αυτή χρησιμοποιούνται γνωστά σύνολα δεδομένων με σκοπό να γίνεται μια σύγκριση των κλασικών μεθόδων οπτικοποίησης και επιπλέον να προταθούν νέες μέθοδοι οι οποίες είναι αποτελεσματικές για την οπτικοποίηση δεδομένων μεγάλης διάστασης. Επιπλέον, θα γίνει εφαρμογή των πιο αποτελεσματικών μεθόδων σε πραγματικά δεδομένα καταναλωτικών αγαθών ταχείας διακίνησης (Fast Moving Consumer Goods) και θα καταλήξουμε σε συμπεράσματα Η ανάπτυξη της τεχνολογίας με εργαλεία για την επεξεργασία των μεγάλων δεδομένων μπορεί να συμβάλει τα μέγιστα στην διαδικασία αυτήν. | el |
dc.format.extent | 108 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | * |
dc.title | Προχωρημένες τεχνικές οπτικοποίησης σε δεδομένα μεγάλων διαστάσεων | el |
dc.title.alternative | Advanced visualization techniques for high dimensional data | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | In the age of big data we live in, there is a need to process huge amounts of large-scale data. However, the large dimension of data, the limited perception of the human mind, and the difficulty of visualizing them at the level or space are a great challenge for the development of effective visualization methods. The standard visualization methods that have been introduced work well for low-dimensional data but fail for high-dimensional data. Classical visualization methods are very simplistic, do not help to obtain a deeper insight into the data or are found to be overly cumbersome and computationally inadequate. Thisworkuseswell-known datasets to compare classic visualization methods and to propose new methods that are effective for visualizing large-dimensional data. Additionally, the most effective methods will be applied to real-world data on Fast Moving Consumer Goods and we will come to conclusions. Developing technology with tools for processing large data can give a great push to this process. | el |
dc.corporate.name | Πανεπιστήμιο Πειραιώς | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Οπτικοποίηση | el |
dc.subject.keyword | Δεδομένα μεγάλης κλίμακας | el |
dc.subject.keyword | Περιγραφική στατιστική | el |
dc.subject.keyword | Στατιστική ανάλυση | el |
dc.date.defense | 2019-09-10 | |