Μέθοδοι εξόρυξης γνώσης από δεδομένα υγείας συνεχούς ροής
| dc.contributor.advisor | Κούτρας, Μάρκος | |
| dc.contributor.author | Κουτσοχρήστου, Βασιλική | |
| dc.date.accessioned | 2024-11-01T20:28:38Z | |
| dc.date.available | 2024-11-01T20:28:38Z | |
| dc.date.issued | 2024-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16950 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4372 | |
| dc.description.abstract | Με την ανάπτυξη των νέων τεχνολογιών, τα δεδομένα συνεχούς ροής εμφανίζονται ολοένα και συχνότερα σε πληθώρα εφαρμογών όπως η τεχνητή νοημοσύνη, η ανίχνευση απάτης, η επιχειρηματική ευφυΐα αλλά και η υγεία. Για το λόγο αυτό είναι απαραίτητη η εύρεση τεχνικών για την εξόρυξη γνώσης από αυτά. Ειδικότερα στον τομέα της υγείας, η κατάλληλη επεξεργασία των δεδομένων συνεχούς ροής μπορεί να αποβεί σωτήρια και να εξάγει σημαντικά συμπεράσματα. Η παρούσα διπλωματική διερευνά τις διάφορες μεθόδους προετοιμασίας των δεδομένων ανιχνεύοντας ελλιπή, ασυνεπή δεδομένα καθώς επίσης και ακραίες τιμές με τη χρήση κατάλληλων μεθόδων. Παράλληλα αξιοποιούνται μέθοδοι ανάλυσης των δεδομένα. Πιο συγκεκριμένα διερευνόνται μεθόδοι σύνοψης, προκειμένου να επιλυθούν τα ζητήματα που προκύπτουν λόγω του τεράστιου όγκου των δεδομένων. Τέλος η διπλωματική ασχολείται με την συσταδοποίηση των δεδομένων συνεχούς ροής, αλλά και με την εύρεση συχνών μοτίβων. | el |
| dc.format.extent | 137 | 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 | Μέθοδοι εξόρυξης γνώσης από δεδομένα υγείας συνεχούς ροής | el |
| dc.title.alternative | Data mining from medical data streams | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | With the development of new technologies, streaming data is becoming increasingly common in a variety of applications such as artificial intelligence, fraud detection, business intelligence and health. For this reason it is necessary to find techniques to extract knowledge from them. In the health sector in particular, appropriate processing of continuous flow data can be life-saving and draw important conclusions. This thesis investigates the various methods of data preparation by detecting incomplete, inconsistent data as well as outliers using appropriate methods. At the same time, this thesis analyses the data. More specifically, it explores methods of summarizing data in order to resolve the issues that arise due to the huge amount of data. Finally, it deals with the aggregation of continuous flow data, but also with finding frequent patterns. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Εξόρυξη δεδομένων | el |
| dc.subject.keyword | Δεδομένα υγείας συνεχούς ροής | el |
| dc.subject.keyword | Συσταδοποίηση | el |
| dc.date.defense | 2024-09-30 |
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