| dc.contributor.advisor | Αποστόλου, Δημήτριος | |
| dc.contributor.author | Γεωργόπουλος, Κωνσταντίνος | |
| dc.date.accessioned | 2025-09-16T12:10:42Z | |
| dc.date.available | 2025-09-16T12:10:42Z | |
| dc.date.issued | 2025-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18128 | |
| dc.description.abstract | Η παρούσα πτυχιακή εργασία εστιάζει στην ανάπτυξη και αξιολόγηση ενός μοντέλου νευρωνικού δικτύου τύπου Multilayer Perceptron (MLP) με στόχο την πρόβλεψη της διάγνωσης άσθματος. Το μοντέλο υλοποιήθηκε στο περιβάλλον Python με τη χρήση της βιβλιοθήκης scikit-learn και συνοδεύτηκε από ενδελεχή προεπεξεργασία δεδομένων, συμπεριλαμβανομένης της κανονικοποίησης, της ανίχνευσης και αντιμετώπισης ακραίων τιμών, καθώς και τεχνικών εξισορρόπησης δεδομένων όπως SMOTE και Tomek Links. Στο πλαίσιο της εργασίας, εξετάστηκαν διάφορες παραμετροποιήσεις του δικτύου, ενώ για τη βέλτιστη επιλογή πλήθους κρυφών επιπέδων και νευρώνων αξιοποιήθηκε η μέθοδος Elbow Method.
Τα πειραματικά αποτελέσματα έδειξαν ότι το προτεινόμενο μοντέλο επιτυγχάνει υψηλή ακρίβεια πρόβλεψης, με ποσοστό 92%, υπερτερώντας έναντι άλλων μοντέλων που έχουν παρουσιαστεί στη βιβλιογραφία. Η εργασία αναδεικνύει τη σημασία της σωστής προεπεξεργασίας και επιλογής παραμέτρων, ενώ παράλληλα επιβεβαιώνει τη δυναμική της Τεχνητής Νοημοσύνης και των νευρωνικών δικτύων ως χρήσιμα εργαλεία για την υποβοήθηση της ιατρικής διάγνωσης.
Τέλος, προτείνονται μελλοντικές επεκτάσεις της μελέτης, όπως η αξιοποίηση πιο σύνθετων αρχιτεκτονικών (RNN, CNN) ή η εφαρμογή του μοντέλου σε πραγματικά κλινικά δεδομένα για περαιτέρω επικύρωση και ενσωμάτωση σε συστήματα υγειονομικής περίθαλψης. | el |
| dc.format.extent | 46 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Σχεδιασμός και υλοποίηση μοντέλου νευρωνικού δικτύου για διάγνωση άσθματος με βάση προσωπικά και υγειονομικά δεδομένα | el |
| dc.title.alternative | Design and implementation of a neural network model for asthma diagnosis based on personal and health data | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This dissertation focuses on the development and evaluation of a Multilayer Perceptron (MLP) neural network model for the prediction of asthma diagnosis. The model was implemented in Python using the scikit-learn library and was accompanied by thorough data preprocessing, including normalization, outlier detection and treatment, as well as data balancing techniques such as SMOTE and Tomek Links. Different network configurations were tested, while the Elbow Method was applied to determine the optimal number of hidden layers and neurons.
The experimental results demonstrated that the proposed model achieved a high prediction accuracy of 92%, outperforming other models reported in the literature. The study highlights the importance of proper preprocessing and parameter selection, while also confirming the potential of Artificial Intelligence and neural networks as valuable tools for supporting medical diagnosis.
Finally, future extensions of this work are suggested, such as the application of more advanced architectures (e.g., RNN, CNN) or the use of real-world clinical data for further validation and integration into healthcare systems. | el |
| dc.subject.keyword | Νευρωνικό δίκτυο | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Multilayer perceptron | el |
| dc.subject.keyword | Άσθμα | el |
| dc.subject.keyword | Μετρική απόδοσης | el |
| dc.subject.keyword | Μοντέλο | el |
| dc.date.defense | 2025-09-08 | |
