Μέθοδοι μηχανικής μάθησης στη ναυτιλία

Αμπατζή, Ζαχαρούλα; Ampatzi, Zacharoula

dc.contributor.advisor	Γαλάνης, Γεώργιος
dc.contributor.advisor	Galanis, Georgios
dc.contributor.author	Αμπατζή, Ζαχαρούλα
dc.contributor.author	Ampatzi, Zacharoula
dc.date.accessioned	2023-05-15T10:17:28Z
dc.date.available	2023-05-15T10:17:28Z
dc.date.issued	2023-03
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/15399
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/2821
dc.description.abstract	Στόχος της παρούσας διπλωματικής είναι η εισαγωγική παρουσίαση της επιστημονικής περιοχής της Μηχανικής Μάθησης και ενδεικτικών εφαρμογών της σε πραγματικές μελέτες που συνδέονται άμεσα ή έμμεσα με την Ναυτιλία. Ξεκινά με τον ορισμό και την ταξινόμηση της Μηχανικής Μάθησης, συνοδευόμενη από τις εξελίξεις της μέσα στο χρόνο. Στη συνέχεια παρέχει το υπολογιστικό υπόβαθρο και τις βασικές αρχές τεσσάρων αλγορίθμων Εποπτευόμενης Μηχανικής Μάθησης: Γραμμικής Παλινδρόμησης, Πολυωνυμικής Παλινδρόμησης, Λογιστικής Παλινδρόμησης και των Νευρωνικών Δικτύων. Τα βασικότερα πλεονεκτήματα και μειονεκτήματα παρουσιάζονται για όλες τις μεθόδους. Επεξηγείται επίσης η επιλογή της χρήσης του λογισμικού MATLAB, πριν προχωρήσουμε σε τρεις εφαρμογές που βασίζονται σε πραγματικά δεδομένα θαλάσσιου κυματισμού στο Αιγαίο και το Ιόνιο Πέλαγος. Στην κατεύθυνση αυτή χρησιμοποιούνται: ένα μοντέλο Γραμμικής Παλινδρόμησης για την εκτίμηση του μέγιστου ύψους κύματος, ένα μοντέλο Λογιστική Παλινδρόμησης για την υποστήριξη της απόφασης να εκδοθεί απαγόρευσης απόπλου από τις λιμενικές αρχές και ένα Νευρωνικό Δίκτυο για την προσομοίωση του ύψους κύματος, και της κατάστασης θάλασσας σύμφωνα με την κλίμακα Douglas. Η διπλωματική ολοκληρώνεται με τα συμπεράσματα που απορρέουν από τις εν λόγω εφαρμογές.	el
dc.format.extent	111	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Μέθοδοι μηχανικής μάθησης στη ναυτιλία	el
dc.title.alternative	Machine learning applications on maximum wave height for shipping and maritime	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Ναυτιλίας και Βιομηχανίας. Τμήμα Ναυτιλιακών Σπουδών	el
dc.description.abstractEN	This dissertation aims to give an introduction to Machine Learning’s logic notions and present its application in real-life Maritime case studies. It begins with the definition and taxonomy of Machine Learning, accompanied by its advancements through time. It then provides the computational background and fundamentals of four Supervised Machine Learning algorithms: Linear Regression, Polynomial Regression, Logistic Regression, and Neural Network. Both advantages and disadvantages are presented for all methods. The selection of MATLAB’s usage is explained, before proceeding to three applications based on real-life maritime occurrences, appearing in the Aegean and Ionian Seas. A Linear Regression model estimates the maximum wave height, a Logistic Regression model decides if a prohibition of sailing should be issued by port authorities, and a Neural Network characterizes, through wave heights, the sea condition based on the Douglas Sea Scale. The dissertation ends with the conclusions that are derived from said applications.	el
dc.corporate.name	Σχολή Ναυτικών Δοκίμων	el
dc.contributor.master	ΔΠΜΣ στη Διοίκηση στη Ναυτική Επιστήμη και Τεχνολογία	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Γραμμική παλινδρόμηση	el
dc.subject.keyword	Λογιστική παλινδρόμηση	el
dc.subject.keyword	Νευρωνικά δίκτυα	el
dc.subject.keyword	Εφαρμογές προσομοίωσης θαλάσσιου κυματισμού	el
dc.date.defense	2023-03-30

Αρχεία σε αυτό το τεκμήριο

Name:: Ampatzi_21001.pdf
Μέγεθος:: 2.532Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ναυτιλιακών Σπουδών
Department of Maritime Studies

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα