| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Σταγάκη, Ιωάννα | |
| dc.date.accessioned | 2024-11-06T11:12:36Z | |
| dc.date.available | 2024-11-06T11:12:36Z | |
| dc.date.issued | 2024-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16995 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4417 | |
| dc.description.abstract | Η διπλωματική εργασία εστιάζει στην βελτίωση της διάγνωσης και πρόβλεψης του
διαβήτη μέσω της χρήσης αλγορίθμων μηχανικής μάθησης. Η ανάλυση βασίζεται σε
ένα σύνολο δεδομένων που έχει συλλεχθεί από το Kaggle.com, με στόχο την
ανάπτυξη μοντέλων που μπορούν να προβλέψουν με ακρίβεια την πιθανότητα ενός
ατόμου να αναπτύξει διαβήτη. Μέσω της διερεύνησης, της ανάλυσης των δεδομένων
και της χρήσης διάφορων αλγορίθμων μηχανικής μάθησης όπως είναι η λογιστική
παλινδρόμηση (Logistic Regression), οι μηχανές διανυσμάτων υποστήριξης (SVM), η
βαθμιδωτή ενίσχυση (Gradient Boosting), οι Κ-Πλησιέστεροι Γείτονες- K-Nearest
Neighbors (KNN) και τα τυχαία δάση (Random Forest), η εργασία επιδιώκει να
ενισχύσει την ακρίβεια της διάγνωση. Τα αποτελέσματα της έρευνας υποδεικνύουν
τη δυνατότητα αυτών των αλγορίθμων να προσφέρουν αξιόπιστες προβλέψεις και
να αναδείξουν την σημασία της μηχανικής μάθησης ως εργαλείο βελτίωσης της
δημόσιας υγείας, προτείνοντας μελλοντικές κατευθύνσεις για περαιτέρω έρευνα και
ανάπτυξη. | el |
| dc.format.extent | 98 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Διάγνωση διαβήτη με χρήση αλγορίθμων μηχανικής μάθησης | el |
| dc.title.alternative | Diabetes diagnosis using machine learning algorithms | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | This dissertation focuses on improving the diagnosis and prediction of diabetes using
machine learning algorithms. The analysis is performed on a dataset collected from
Kaggle.com, with the objective of developing models that can accurately predict the
probability of developing diabetes. Through exploration, data analysis and the use of
various machine learning algorithms such as Logistic Regression, Support Vector
Machines (SVM), Gradient Boosting, K-Nearest Neighbors (KNN) and Random Forests,
the dissertation seeks to enhance the accuracy of diagnosis. The results of the
research indicate the potential of these algorithms to provide reliable predictions and
highlight the significance of machine learning as a mechanism for improving public
health, suggesting future directions for further research and development. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Diabates | el |
| dc.subject.keyword | Αλγόριθμοι μηχανικής μάθησης | el |
| dc.subject.keyword | Διάγνωση διαβήτη | el |
| dc.subject.keyword | Μηχανές διανυσμάτων υποστήριξης | el |
| dc.subject.keyword | Διερευνητική ανάλυση δεδομένων | el |
| dc.subject.keyword | Exploratory Data Analysis (EDA) | el |
| dc.subject.keyword | Λογιστική παλινδρόμηση | el |
| dc.subject.keyword | Logistic regression | el |
| dc.subject.keyword | Μηχανές διανυσμάτων υποστήριξης | el |
| dc.subject.keyword | Support Vector Machines (SVM) | el |
| dc.subject.keyword | Κ-Πλησιέστεροι Γείτονες | el |
| dc.subject.keyword | k-Nearest Neighbors (KNN) | el |
| dc.subject.keyword | Βαθμιδωτής ενίσχυσης | el |
| dc.subject.keyword | Gradient boosting | el |
| dc.subject.keyword | Τυχαία δάση | el |
| dc.subject.keyword | Random forests | el |
| dc.date.defense | 2024-09-30 | |
