Στατιστικά μοντέλα ταξινόμησης με εφαρμογή στην ανίχνευση επιπλοκών στη φυσιολογική ανάπτυξη και την καλή υγεία εμβρύων
| dc.contributor.advisor | Κούτρας, Μάρκος | |
| dc.contributor.author | Παρθενόπουλος, Φίλιππος | |
| dc.date.accessioned | 2023-09-19T07:07:36Z | |
| dc.date.available | 2023-09-19T07:07:36Z | |
| dc.date.issued | 2023-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15719 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3141 | |
| dc.description.abstract | Στην παρούσα διπλωματική εργασία παρουσιάζεται μια οικογένεια προβλημάτων που είναι γνωστή ως προβλήματα ταξινόμησης και ο τρόπος αντιμετώπισής τους μέσω των στατιστικών μοντέλων ταξινόμησης. Επικεντρωνόμαστε σε τρία διαφορετικά μοντέλα τα οποία θεμελιώνονται τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο. Μέσω της ενίσχυσής τους με ένα σύνολο τεχνικών και μεθοδολογιών της μηχανικής μάθησης τα μοντέλα αυτά είναι ικανά να αντιμετωπίσουν με επιτυχία προβλήματα από πολλούς διαφορετικούς τομείς όπως αυτοί των χρηματοοικονομικών, της ιατρικής, της επιστήμης δεδομένων και άλλων. Στο τελευταίο κομμάτι της διπλωματικής εργασίας παρουσιάζεται ένα πραγματικό πρόβλημα από τον τομέα της ιατρικής το οποίο αφορά δεδομένα που προκύπτουν από ιατρικές μετρήσεις σε έμβρυα μέσω μίας κλινικής εξέτασης που ονομάζεται καρδιοτοκογράφημα. Σκοπός της διπλωματικής εργασίας είναι η εφαρμογή, η σύγκριση, η αξιολόγηση και η βελτιστοποίηση των μοντέλων που παρουσιάστηκαν αρχικά σε θεωρητικό επίπεδο πάνω σε αυτά τα ιατρικά δεδομένα, ώστε να δούμε ποια από αυτά είναι σε θέση να ανιχνεύουν τυχόν επιπλοκές στην φυσιολογική ανάπτυξη και καλή υγεία του εμβρύου αξιόπιστα. | el |
| dc.format.extent | 130 | 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 | Στατιστικά μοντέλα ταξινόμησης με εφαρμογή στην ανίχνευση επιπλοκών στη φυσιολογική ανάπτυξη και την καλή υγεία εμβρύων | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | In this thesis, a family of problems known as classification problems and the techniques for addressing them through statistical classification models are presented. We focus on three different models that are based on both theoretical and practical levels. By enhancing them with a set of techniques and methodologies from machine learning, these models are capable of successfully dealing with problems from various domains such as finance, medical, data science, and others. The last part of the thesis presents a real-life problem from field of health sciences, which involves data derived from medical measurements on embryos through a clinical examination called cardiotocography. The purpose of the thesis is to apply, compare, evaluate, and optimize the models that were initially presented at a theoretical level on the medical data, in order to determine which of them are able to detect effectively any complications in the normal development and good health of the fetus. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Μοντέλα ταξινόμησης | el |
| dc.date.defense | 2023-09-08 |
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