Μονάδα:
Κατεύθυνση Ηλεκτρονικός Αυτοματισμός (Η/Α, με πρόσθετη εξειδίκευση στην Πληροφορική και στα πληροφοριακά συστήματα)Βιβλιοθήκη Σχολής Θετικών Επιστημών
Ημερομηνία κατάθεσης:
2017-11-05
Συγγραφέας:
Πελεκάνου Αντωνία
Στοιχεία επιβλεπόντων καθηγητών:
Άννα Τζανακάκη, Επίκουρη Καθηγήτρια, Τμήμα Φυσικής, ΕΚΠΑ
Διονύσιος Ι. Ρεΐσης, Αναπληρωτής Καθηγητής, Τμήμα Φυσικής, ΕΚΠΑ
Έκτορας Ε. Νισταζάκης, Αναπληρωτής Καθηγητής, Τμήμα Φυσικής, ΕΚΠΑ
Πρωτότυπος Τίτλος:
Application of Machine Learning techniques in Cloud Services
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Εφαρμογές τεχνικών Μηχανικής Μάθησης σε Υπηρεσίες Υπολογιστικού Νέφους
Περίληψη:
Τα τελευταία χρόνια η Μηχανική Μάθηση και το Υπολογιστικό Νέφος γίνονται ολοένα και πιο δημοφιλή, εξαιτίας της ραγδαίας αύξησης του μεγέθους των δεδομένων και της αναγκαιότητας της γρήγορης επεξεργασίας τους για την εξαγωγή χρήσιμης πληροφορίας από αυτά. Στόχος της παρούσας διπλωματικής είναι η διερεύνηση τεχνικών μηχανικής μάθησης με σκοπό την εφαρμογή τους στις υπηρεσίες του υπολογιστικού νέφους. Σε αυτή την εργασία, επικεντρωθήκαμε στη βελτίωση της επεξεργασίας και της ανάλυσης των δεδομένων ενός πραγματικού σιδηροδρομικού συστήματος (συγκεκριμένα ενός τραμ μιας πόλης της Γαλλίας, της Ρενς) με την πρόβλεψη της κατανάλωσης ισχύος του τρένου. Αναπτύσσουμε μια τεχνική μηχανικής μάθησης, τα Νευρωνικά Δίκτυα για να επεξεργαστούμε το σύνολο δεδομένων, το οποίο αποτελείται απο διαφορετικές φυσικές ποσότητες σχετιζόμενες με το τραμ της Ρενς. Οι μετρήσεις που χρησιμοποιήσαμε λαμβάνονταν από διαφορετικούς αισθητήρες εγκαταστημένους στο τραμ, περιοδικά κάθε δευτερόλεπτο στη διάρκεια μιας μέρας. Στην παρούσα διπλωματική εργασία, αρχικά παρέχουμε το απαραίτητο θεωρητικό υπόβαθρο και στη συνέχεια παρουσιάζουμε κάποια σχετικά πειραματικά αποτελέσματα. Το θεωρητικό υπόβαθρο περιλαμβάνει την εισαγωγή στην έννοια «Μεγάλα Δεδομένα», μια παρουσίαση διάφορων μεθόδων Εξόρυξης Δεδομένων και αλγορίθμων Μηχανικής Μάθησης που μπορούν να χρησιμοποιηθούν για την επεξεργασία των μεγάλων δεδομένων και μια επισκόπηση στις έννοιες «Υπολογιστικό Νέφος», «Διαδίκτυο των Πραγμάτων» και «SiteWhere». Στο Κεφάλαιο 2 ορίζουμε το πρόβλημα που θα επιλύσουμε και εισάγουμε τους όρους «Υπολογιστικό Νέφος» και «Διαδίκτυο των Πραγμάτων». Στο Κεφάλαιο 3 εισάγουμε τις έννοιες «Μεγάλα Δεδομένα», «Εξόρυξη Δεδομένων» και «Μηχανική Μάθηση». Στο Κεφάλαιο 4 ξεκινάμε με την παρουσίαση της αρχιτεκτονικής και των δυνατοτήτων του «SiteWhere» και καταλήγουμε με την απεικόνιση των δεδομένων του τρένου, χρησιμοποιώντας ένα Γραφικό Περιβάλλον Διεπαφής Χρήστη (GUI), γνωστό ως MongoDB Compass. Το σύνολο δεδομένων, που περιέχει τα δεδομένα από το τρένο αποθηκεύτηκαν στη βάση δεδομένων «MongoDB», η οποία υποστηρίζεται από την πλατφόρμα SiteWhere. Στο Κεφάλαιο 5 παρέχουμε μια γρήγορη επισκόπιση των Νευρωνικών Δικτύων καθώς και των βασικών σχετικών αλγορίθμων. Στο Κεφάλαιο 6 εισάγουμε την έννοια της Χρονοσειράς, εφαρμόζουμε δύο διαφορετικά είδη Νευρωνικών Δικτύων, το Multilayer Perceptron (MLP) και το Long Short-Term Memory (LSTM) στα δεδομένα που συλλέχθηκαν από το τρένο και παρουσιάζουμε τα αποτελέσματά μας. Το Κεφάλαιο 7 παρέχει την περίληψη της παρούσας διπλωματικής εργασίας και των συμπερασμάτων των προηγούμενων κεφαλαίων.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λέξεις-κλειδιά:
Μεγάλα Δεδομένα, Υπολογιστικό Νέφος, Διαδίκτυο των Πραγμάτων, Μηχανική Μάθηση, Νευρωνικά Δίκτυα, Πρόβλεψη Χρονοσειράς
Αρ. σελίδων ευρετηρίου:
0
Αρ. βιβλιογραφικών αναφορών:
35
