Κατηγοριοποίηση κινούμενων αντικειμένων βάσει σημασιολογικά επαυξημένων συνόψεων
| dc.contributor.advisor | Πελέκης, Νικόλαος | |
| dc.contributor.author | Μαρκάκης, Γεώργιος | |
| dc.date.accessioned | 2021-12-17T12:44:16Z | |
| dc.date.available | 2021-12-17T12:44:16Z | |
| dc.date.issued | 2021-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13975 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1398 | |
| dc.description.abstract | Η ανάπτυξη στον τομέα της τεχνολογίας της πληροφορίας και της επικοινωνίας, ιδίως στην ανίχνευση κινητής τηλεφωνίας και στην ασύρματη επικοινωνία, μας πλημμυρίζει δεδομένα που περιέχουν γεωγραφικές θέσεις που ποικίλλουν χρονικά. Αν και αυτό το είδος δεδομένων σχετίζεται επίσης με προκλήσεις όπως η εξάντληση της χωρητικότητας αποθήκευσης και το εύρος ζώνης μετάδοσης δεδομένων, οι ερευνητές έχουν δείξει ότι αυτά τα σύνολα δεδομένων αποτελούν πολύτιμο πόρο. Η ανάλυσή τους μπορεί να οδηγήσει σε λύσεις για σημαντικά ερευνητικά προβλήματα σε διάφορους τομείς, όπως πολεοδομικός σχεδιασμός, μεταφορά, οικολογική συμπεριφορά, ανάλυση αθλητικών σκηνών, παρακολούθηση και ασφάλεια. Στην εργασία επιχειρείται η προσπάθεια να αναλυθούν και να κατηγοριοποιηθούν δεδομένα κίνησης με την συνδρομή αλγορίθμων Μηχανικής Μάθησης. Παρουσιάζονται τεχνικές που ασχολούνται με το εν λόγω ζήτημα, καθώς και ορισμοί και τρόποι χειρισμού δεδομένων που είναι σημαντικοί για τον αναγνώστη ώστε να μπορέσει να του δώσει πληροφορίες σχετικά με το εν λόγω ζήτημα. Επιπλέον, παρουσιάζεται η μέθοδος MasterMovelets (Ferrero et al., 2020) η οποία χρησιμοποιήθηκε και για τις ανάγκες του πειραματικού μέρους της εργασίας. | el |
| dc.format.extent | 88 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| 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.title | Κατηγοριοποίηση κινούμενων αντικειμένων βάσει σημασιολογικά επαυξημένων συνόψεων | el |
| dc.title.alternative | Classification of moving objects based on semantically enriched synopses | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | Development in the field of information and communication technology, especially in mobile telephony detection and wireless communication, floods us with data containing geographical locations that vary over time. Although this type of data is also associated with challenges such as depletion of storage capacity and data bandwidth, researchers have shown that these data sets are a valuable resource. Their analysis can lead to solutions to important research problems in various fields, such as urban planning, transportation, ecological behavior, sports scene analysis, monitoring and security. This thesis attempts to analyze and classify kinetic data with the help of Machine Learning algorithms. Bibliographic techniques dealing with this issue are presented, as well as definitions and handling of data that is important to the facilitator so that he can provide information on the issue. In addition, the MasterMovelets (Ferrero et al., 2020) method is presented which was used for the needs of the experimental part of the work. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Κατηγοριοποίηση κινούμενων αντικειμένων | el |
| dc.date.defense | 2021-10-29 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα