dc.contributor.advisor | Πρέντζα, Ανδριάνα | |
dc.contributor.author | Σάλιαρης, Χαρίλαος | |
dc.date.accessioned | 2020-09-08T11:31:01Z | |
dc.date.available | 2020-09-08T11:31:01Z | |
dc.date.issued | 2020 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12890 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/313 | |
dc.description.abstract | Ο τομέας της υγείας και ειδικότερα ο τομέας της υγειονομικής περίθαλψης έχει από καιρό υιοθετήσει και επωφεληθεί σημαντικά από την τεχνολογική πρόοδο. Τα τελευταία χρόνια, η μηχανική μάθηση (ένα υποσύνολο τεχνητής νοημοσύνης) διαδραματίζει βασικό ρόλο σε πολλές περιοχές που σχετίζονται με την υγεία, συμπεριλαμβανομένης της ανάπτυξης νέων ιατρικών διαδικασιών, του χειρισμού των δεδομένων και των αρχείων των ασθενών, της πρόβλεψης και της θεραπείας των χρόνιων ασθενειών, όπως είναι ο σακχαρώδης διαβήτης.
Η συγκεκριμένη διπλωματική εργασία αφορά τη συγκριτική μελέτη αλγορίθμων μηχανικής μάθησης, καθώς και την αξιολόγηση της επίδοσης των αλγορίθμων για τη διάγνωση του σακχαρώδη διαβήτη μέσω του συνόλου δεδομένων Pima Indians Diabetes Database.
Για κάθε ένα από τα μοντέλα μηχανικής μάθησης παράγονται μετρήσεις οι οποίες εν συνεχεία συγκρίνονται για να διαπιστωθεί ποιο από τα μοντέλα είναι το πιο αποτελεσματικό. Επίσης, πραγματοποιήθηκε αναδρομή και σύγκριση με άλλες έρευνες οι οποίες έχουν γίνει με χρήση του ίδιου συνόλου δεδομένων, καθώς και των ίδιων αλγορίθμων.
Τέλος, με τη βοήθεια του προγράμματος που αναπτύχθηκε, ο κάθε χρήστης δύναται να εισάγει αποδεκτές τιμές στα απαιτούμενα πεδία, ώστε να διαπιστωθεί αν ο εν λόγω χρήστης πάσχει από σακχαρώδη διαβήτη ή όχι. | el |
dc.format.extent | 104 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Διάγνωση διαβήτη με χρήση αλγορίθμων μηχανικής μάθησης | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | The health sector, and in particular the healthcare sector, has long adopted and benefited greatly from technological progress. In recent years, mechanical learning (a subset of artificial intelligence) has played a key role in many health-related areas, including the development of new medical procedures, patient data and records handling, the prevention and treatment of chronic diseases, such as diabetes mellitus.
This diplomatic thesis concerns the comparative study of machine learning algorithms and evaluating the performance of algorithms for the diagnosis of diabetes mellitus through the Pima Indians Diabetes Database.
Measurements are then produced for each of the machine learning algorithms which are then compared to determine which of the models is most effective. Also, a comparison was made with other surveys using the same data set and the same algorithms.
Finally, with the assistance of the program developed, each user can enter acceptable values in the required fields to determine if the user is suffering from diabetes mellitus or not. | el |
dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
dc.subject.keyword | Διάγνωση διαβήτη | el |
dc.subject.keyword | Μηχανική μάθηση | el |
dc.subject.keyword | Αλγόριθμοι | el |
dc.date.defense | 2020-07-28 | |