Εφαρμογές στατιστικής μηχανικής μάθησης στο μηχανοκίνητο αθλητισμό

Αιγινίτη, Χρύσα Ιωάννα

dc.contributor.advisor	Μπερσίμης, Σωτήριος
dc.contributor.author	Αιγινίτη, Χρύσα Ιωάννα
dc.date.accessioned	2024-10-16T06:15:28Z
dc.date.available	2024-10-16T06:15:28Z
dc.date.issued	2024-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/16849
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/4271
dc.description.abstract	Η Formula 1 από την πρώτη κιόλας στιγμή είναι άρρηκτα συνδεδεμένη με την ταχύτητα για πολλούς λόγους. Για την ταχύτητα με την οποία τρέχουν τα μονοθέσια με τους οδηγούς να δοκιμάζουν κάθε φορά τόσο τα όρια του μονοθέσιου όσο και του ίδιου τους του εαυτού. Για την ταχύτητα με την οποία εμφανίζονται και εφαρμόζονται καινοτόμες ιδέες που βελτιώνουν την απόδοση του μονοθέσιου και παράλληλα το καθιστούν εξαιρετικά ασφαλές. Τέτοιες καινοτομίες χρησιμοποιούνται πλέον στα μη αγωνιστικά αυτοκίνητα κάνοντας την καθημερινή μετακίνηση εύκολη και συνάμα ασφαλή διαδικασία. Οι ραγδαίες εξελίξεις έχουν γεννήσει πληθώρα δεδομένων που καλούνται οι ομάδες να επεξεργαστούν και να ερμηνεύσουν ούτως ώστε να εξορύξουν την κρυφή πληροφορία και να βελτιώσουν τόσο το μονοθέσιο όσο και τη στρατηγική που θα ακολουθήσουν στοχεύοντας στη νίκη. Για την πλήρη και αποτελεσματική αξιοποίηση των δεδομένων είναι αναγκαία η χρήση μαθηματικών και στατιστικών μεθόδων και πληροφορικής. Γι’ αυτό πλέον η χρήση της στατιστικής μηχανικής μάθησης, που συνδυάζει επιτυχώς αυτές τις τρεις επιστήμες είναι αναπόφευκτη και μείζονος σημασίας για τη λήψη στρατηγικών αποφάσεων σε κλάσματα δευτερολέπτου κατά τη διάρκεια του αγώνα, την πρόβλεψη αποτελεσμάτων και τη εξαγωγή συμπερασμάτων. Στην παρούσα διπλωματική εργασία γίνεται εκτενής ανάλυση των διαφόρων κατηγοριών που χαρακτηρίζουν τον κλάδο της μηχανικής μάθησης, των αλγορίθμων και των μοντέλων που χρησιμοποιούνται και των βασικών μεθόδων προπαρασκευής των δεδομένων πριν την ανάλυση. Τέλος, γίνεται εφαρμογή μεθόδων στατιστικής μηχανικής μάθησης σε δεδομένα από αγώνες της F1 με στόχο την πρόβλεψη της θέσης τερματισμού των οδηγών στον αγώνα.	el
dc.format.extent	103	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	Εφαρμογές στατιστικής μηχανικής μάθησης στο μηχανοκίνητο αθλητισμό	el
dc.title.alternative	Applications of machine learning methods in motorsports	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	Formula 1 is a domain inextricably linked with speed from the very beginning for a variety of reasons. Speed is embodied in the way the cars race, with drivers constantly testing the limits of both the vehicle and themselves. It is also seen in the rapid emergence and application of innovative ideas that enhance the performance of the car while simultaneously making it exceptionally safe. These innovations are now used in non-racing cars, making everyday transportation both easy and safe. The rapid developments have generated a wealth of data that teams are tasked with processing and interpreting in order to extract hidden information and improve both the car and the strategy they will follow, aiming for victory. To fully and effectively utilize the data, the use of mathematical and statistical methods, as well as computer science, is essential. As a result, the use of statistical machine learning, which successfully combines these three scientific fields, has become inevitable and crucially important for making strategic decisions in fractions of a second during the race, predicting outcomes, and drawing conclusions. This thesis presents an extensive analysis of the various categories that characterize the field of machine learning, the algorithms and models used, and the key methods of data preprocessing before analysis. Finally, statistical machine learning methods are applied to data from F1 races with the aim of predicting the drivers' finishing positions in the race.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Motorsports	el
dc.subject.keyword	Μηχανοκίνητος αθλητισμός	el
dc.subject.keyword	Formula One	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Regression methods	el
dc.subject.keyword	Neural networks	el
dc.subject.keyword	Tree-based methods	el
dc.subject.keyword	Outcome prediction	el
dc.date.defense	2024-09-27

Αρχεία σε αυτό το τεκμήριο

Name:: Aiginiti_MES22005.pdf
Μέγεθος:: 2.774Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

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