Προσέγγιση δεικτών βάσεων δεδομένων με μηχανική μάθηση

For this thesis, neural network models have been developed to experiment with classification on numerical data. The architectures used these years give the opportunity to manage large volumes of data and export correlations. Every minute, the number of data is constantly increasing and the target...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Σπυρόπουλος, Σπυρίδων
Άλλοι συγγραφείς: Σιούτας, Σπυρίδων
Μορφή: Thesis
Γλώσσα:Greek
Έκδοση: 2020
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/13171
id nemertes-10889-13171
record_format dspace
spelling nemertes-10889-131712022-09-05T14:10:57Z Προσέγγιση δεικτών βάσεων δεδομένων με μηχανική μάθηση A machine learning approach to databases indexes Σπυρόπουλος, Σπυρίδων Σιούτας, Σπυρίδων Μακρής, Χρήστος Σιούτας, Σπυρίδων Spyropoulos, Spyridon Μεγάλου όγκου δεδομένα Κατηγοριοποίηση Νευρωνικά δίκτυα Μηχανική μάθηση Big data Classification Neural networks Machine learning For this thesis, neural network models have been developed to experiment with classification on numerical data. The architectures used these years give the opportunity to manage large volumes of data and export correlations. Every minute, the number of data is constantly increasing and the target is to make better use of it for various problems. Due to the large amount of data it is imperative to find data with similar characteristics. In this thesis a combinational analysis technique based on a "balls in bins" game for the purpose of classification is implemented. Classification combined with machine learning techniques enables prediction. This would not be possible without the proper computing tools and libraries that make the task of the developer much easier. The work is divided into two parts. The bibliographical section presents the theoretical documentation of machine learning techniques as well as a general overview of the main knowledge studied for the writing of this work. The experimental section attempts to implement a technique, combinational analysis for data processing, and three neural networks for predicting data categories. Στην παρούσα Διπλωματική Εργασία αναπτύχθηκαν μοντέλα νευρωνικών δικτύων με σκοπό τον πειραματισμό κατηγοριοποίησης πάνω σε αριθμητικά δεδομένα. Οι αρχιτεκτονικές που χρησιμοποιούνται αυτά τα χρόνια δίνουν την δυνατότητα διαχείρισης μεγάλου όγκου δεδομένων και εξαγωγής συσχετίσεων. Κάθε λεπτό που περνάει ο αριθμός των δεδομένων συνεχώς αυξάνεται και σκοπός είναι η καλύτερη αξιοποίησή τους για διάφορα προβλήματα. Λόγω του μεγάλου όγκο των δεδομένων καθίσταται επιτακτική η ανάγκη εύρεση δεδομένων με παρόμοια χαρακτηριστικά. Στην παρούσα διπλωματική εργασία υλοποιείται μία τεχνική συνδυαστικής ανάλυσης βασισμένη σε ένα "balls in bins" παιχνίδι με σκοπό την κατηγοριοποίηση. Η κατηγοριοποίηση σε συνδυασμό με τεχνικές μηχανικής μάθησης δίνει την δυνατότηα προβλέψεων. Αυτό φυσικά δεν θα ήταν εφικτό χωρίς τα κατάλληλα υπολογιστικά εργαλεία και βιβλιοθήκες που καθιστούν το έργο του προγραμματιστή αρκετά ευκολότερο. Η εργασία χωρίζεται σε δύο μέρη. Στο βιβλιογραφικό μέρος παρουσιάζεται η θεωρητική τεκμηρίωση τεχνικών μηχανικής μάθησης αλλά και μια γενική επισκόπηση των κύριων γνώσεων που μελετήθηκαν για την συγγραφή της παρούσας εργασίας. Το πειραματικό τμήμα επιχειρεί να υλοποιήσει μία τεχνική ,συνδυαστικής ανάλυσης για προεργασία των δεδομένων, και τρία νευρωνικά δίκτυα για πρόβλεψη κατηγοριών των δεδομένων. 2020-02-06T22:06:40Z 2020-02-06T22:06:40Z 2020-01-16 Thesis http://hdl.handle.net/10889/13171 gr 0 application/pdf
institution UPatras
collection Nemertes
language Greek
topic Μεγάλου όγκου δεδομένα
Κατηγοριοποίηση
Νευρωνικά δίκτυα
Μηχανική μάθηση
Big data
Classification
Neural networks
Machine learning
spellingShingle Μεγάλου όγκου δεδομένα
Κατηγοριοποίηση
Νευρωνικά δίκτυα
Μηχανική μάθηση
Big data
Classification
Neural networks
Machine learning
Σπυρόπουλος, Σπυρίδων
Προσέγγιση δεικτών βάσεων δεδομένων με μηχανική μάθηση
description For this thesis, neural network models have been developed to experiment with classification on numerical data. The architectures used these years give the opportunity to manage large volumes of data and export correlations. Every minute, the number of data is constantly increasing and the target is to make better use of it for various problems. Due to the large amount of data it is imperative to find data with similar characteristics. In this thesis a combinational analysis technique based on a "balls in bins" game for the purpose of classification is implemented. Classification combined with machine learning techniques enables prediction. This would not be possible without the proper computing tools and libraries that make the task of the developer much easier. The work is divided into two parts. The bibliographical section presents the theoretical documentation of machine learning techniques as well as a general overview of the main knowledge studied for the writing of this work. The experimental section attempts to implement a technique, combinational analysis for data processing, and three neural networks for predicting data categories.
author2 Σιούτας, Σπυρίδων
author_facet Σιούτας, Σπυρίδων
Σπυρόπουλος, Σπυρίδων
format Thesis
author Σπυρόπουλος, Σπυρίδων
author_sort Σπυρόπουλος, Σπυρίδων
title Προσέγγιση δεικτών βάσεων δεδομένων με μηχανική μάθηση
title_short Προσέγγιση δεικτών βάσεων δεδομένων με μηχανική μάθηση
title_full Προσέγγιση δεικτών βάσεων δεδομένων με μηχανική μάθηση
title_fullStr Προσέγγιση δεικτών βάσεων δεδομένων με μηχανική μάθηση
title_full_unstemmed Προσέγγιση δεικτών βάσεων δεδομένων με μηχανική μάθηση
title_sort προσέγγιση δεικτών βάσεων δεδομένων με μηχανική μάθηση
publishDate 2020
url http://hdl.handle.net/10889/13171
work_keys_str_mv AT spyropoulosspyridōn prosengisēdeiktōnbaseōndedomenōnmemēchanikēmathēsē
AT spyropoulosspyridōn amachinelearningapproachtodatabasesindexes
_version_ 1771297218211348480