dc.contributor.advisor | Πρέντζα, Ανδριάνα | |
dc.contributor.author | Τήλλυρος, Χαράλαμπος | |
dc.date.accessioned | 2019-11-01T06:52:14Z | |
dc.date.available | 2019-11-01T06:52:14Z | |
dc.date.issued | 2019-10-22 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12245 | |
dc.description.abstract | Η ραγδαία ανάπτυξη της τεχνολογίας τα τελευταία χρόνια σε συνδυασμό με την καθημερινή αποθήκευση μεγάλων όγκων δεδομένων, καθώς και η ανάγκη για σωστή κατηγοριοποίηση των δεδομένων αυτών, οδήγησε στην υλοποίηση διαφόρων αλγορίθμων με σκοπό την καλύτερη κατηγοριοποίηση των δεδομένων αυτών. Η κατηγοριοποίηση εφαρμόζεται σε πολλά επιστημονικά πεδία όπως η ιατρική, η οικονομία, η μετεωρολογία και άλλα πολλά. Στο πεδίο της ιατρικής η σωστή και άμεση πρόβλεψη μιας μεταβολικής ασθένειας όπως ο διαβήτης, παίζει πολύ σημαντικό ρόλο. Οι ασθένειες αυτές μπορούν να προκαλέσουν διάφορες άλλες σοβαρότερες επιπλοκές, έτσι γίνεται αντιληπτό ότι η ανάπτυξη συστημάτων, τα οποία θα μπορούν να προβλέψουν με αρκετά υψηλή ακρίβεια τέτοιου είδους ασθένειες, είναι πολύ σημαντική. Η παρούσα διπλωματική εργασία με τίτλο «Συγκριτική Αξιολόγηση Αλγορίθμων Μηχανικής Μάθησης σε Δεδομένα Ασθενών με Διαβήτη» αναφέρεται στη συγκριτική αξιολόγηση της επίδοσης αλγορίθμων μηχανικής μάθησης και συγκεκριμένα της επιβλεπόμενης μάθησης για την πρόβλεψη του διαβήτη. Τέτοιοι αλγόριθμοι είναι ο απλοϊκός Bayes, η λογιστική παλινδρόμηση, τα νευρωνικά δίκτυα, οι μηχανές διανυσμάτων στήριξης, τα δένδρα απόφασης, η συλλογική μάθηση και ο “Κ κοντινότεροι γείτονες”. Γίνεται συνοπτική παρουσίαση των διαφόρων αλγορίθμων που επιλέχτηκαν, των αποτελεσμάτων από άλλες διεθνείς μελέτες που αφορούν το ίδιο θέμα, και στη συνέχεια παρουσιάζονται τα αποτελέσματα εφαρμογής των αλγορίθμων σε δύο σύνολα δεδομένων, διαθέσιμα δωρεάν για μελέτη από το διαδίκτυο. Η επεξεργασία πραγματοποιήθηκε με τη χρήση της γλώσσας προγραμματισμού Python. | el |
dc.format.extent | 132 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Attribution-NoDerivatives 4.0 Διεθνές | * |
dc.rights | Αναφορά Δημιουργού - Παρόμοια Διανομή 4.0 Διεθνές | * |
dc.rights | Αναφορά Δημιουργού - Παρόμοια Διανομή 4.0 Διεθνές | * |
dc.rights | Αναφορά Δημιουργού - Παρόμοια Διανομή 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-sa/4.0/ | * |
dc.title | Συγκριτική αξιολόγηση αλγορίθμων μηχανικής μάθησης σε δεδομένα ασθενών με διαβήτη | el |
dc.title.alternative | A comparative evaluation of machine learning algorithms in patient data with diabetes | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | The rapid development of technology in recent years, coupled with the daily storage of large volumes of data, and the need for a proper classification of these data, has led to the implementation of various algorithms for their better classification. Classification takes place in many scientific fields such as medicine, economics, meteorology and much more. In the field of medicine, the correct and immediate prediction of a metabolic disease such as diabetes plays a very important role. These diseases can cause several other more serious complications, so it is conceivable that developing systems where they can predict these diseases with big accuracy is very important.
This dissertation titled "A Comparative Evaluation of Machine Learning Algorithms in Patient Data with Diabetes" refers with the comparative evaluation of the performance of mechanical learning algorithms and in particular supervised learning for predicting diabetes. Such algorithms are Bayesian simplistic, logistic regression, neural networks, support vector machines, decision trees, collective learning and the “K closest neighbors”. A summary of the different algorithms selected, the results of other international studies on the same topic, are presented, and then the results of applying the algorithms to two sets of data, available for free study online. The editing was done using the Python programming language. | el |
dc.contributor.master | Ψηφιακά Συστήματα και Υπηρεσίες | el |
dc.subject.keyword | Κ κοντινότεροι γείτονες | el |
dc.subject.keyword | Μηχανική μάθηση | el |
dc.subject.keyword | Απλοϊκός Bayes | el |
dc.subject.keyword | Λογιστική παλινδρόμηση | el |
dc.subject.keyword | Νευρωνικά δίκτυα | el |
dc.subject.keyword | Μηχανές διανυσμάτων στήριξης | el |
dc.subject.keyword | Δένδρα απόφασης | el |
dc.subject.keyword | Συλλογική μάθηση | el |
dc.subject.keyword | Σακχαρώδης διαβήτης | el |
dc.date.defense | 2019-09-27 | |