Προχωρημένες τεχνικές οπτικοποίησης σε δεδομένα μεγάλων διαστάσεων

Παναγιωτίδης, Παναγιώτης

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

Files in this item

Name:: Thesis.pdf
Size:: 3.574Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές