Ανίχνευση ανωμαλιών με χρήση μεϑόδων μηχανικής μάϑησης
Σ΄ ένα σύνολο δεδομένων, ένα στοιχείο το οποίο παρεκκλίνει από την συνήϑη συμπεριφορά των υπολοίπων μπορεί να ϑεωρηϑεί ακραία τιμή, εξαίρεση η αλλιώς ανωμαλία. Η ανίχνευση τέτοιων στοιχείων είναι κρίσιμης σημασίας για την διασφάλιση της λειτουργικότητας των διαφόρων συστημάτων. Χρηματοοικονομιkές συ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/24375 |
| id |
nemertes-10889-24375 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-243752023-02-03T04:38:15Z Ανίχνευση ανωμαλιών με χρήση μεϑόδων μηχανικής μάϑησης Anomaly detection using machine learning techniques Θεοδωροπούλου, Μαρία Theodoropoulou, Maria Μηχανική μάϑηση Ανίχνευση ανωμαλιών Machine learning Anomaly detection Σ΄ ένα σύνολο δεδομένων, ένα στοιχείο το οποίο παρεκκλίνει από την συνήϑη συμπεριφορά των υπολοίπων μπορεί να ϑεωρηϑεί ακραία τιμή, εξαίρεση η αλλιώς ανωμαλία. Η ανίχνευση τέτοιων στοιχείων είναι κρίσιμης σημασίας για την διασφάλιση της λειτουργικότητας των διαφόρων συστημάτων. Χρηματοοικονομιkές συναλλαγές, εφαρμογές στην κυβερνοασφάλεια, ακόμα και στην ιατροφαρμακευτική περίϑαλψη ασϑενών είναι μερικά μόνο παραδείγματα στα οποία ο έγκαιρος εντοπισμός πιϑανών ακραίων τιμών μπορεί να δράσει επικουριkά στην ενεργοποίηση των απαραίτητων διορϑωτικών ενεργειών για την αποφυγή πιϑανών αρνητικών σεναρίων και επιπτώσεων στην υγεία του συστήματος που ϑα μπορούσαν αυτές να προαναγγέλλουν. Στο πρώτο κεφάλαιο της παρούσας εργασίας παρουσιάζονται κάποιες βασικές έννοιες αναφοριkά με την μηχανική μάϑηση. Στο δεύτερο κεφάλαιο ϑα διερευνηϑεί το πρόβλημα της ανίχνευσης ακραίων τιμών, και ο ρόλος της μηχανιkής μάϑησης στην ανάλυση αυτού. Στο τρίτο κεφάλαιο, ϑα παρουσιαστούν εν συντομία κάποιοι αλγόριϑμοι ανίχνευσης ανωμαλιών και στη συνέχεια ϑα υλοποιηϑούν διαφορετιkές τεχνικές σε προγραμματιστικό περιβάλλον με εφαρμογές σε διάφορα παραδείγματα συνόλων δεδομένων, με σκοπό την περιγραφή των υπολογιστικών πτυχών τους. Στο τέταρτο κεφάλαιο αυτές οι υλοποιήσεις ϑα συγκριϑούν ως προς τα αποτελέσματά τους. Τέλος, ϑα δοϑεί η βιβλιογραφία πάνω στην οποία βασίστηκε όλη η εργασία. In a data set, an element that deviates from the normal behaviour defined by the rest, may be considered an outlier, exception, or anomaly. The detection of such elements is critical in order to ensure the functionality of various systems. Financial transactions, applications in cyber security, and even in medical care, these are just a few examples in which the early detection of possible extreme values can act adjunctively in activating the necessary corrective actions to avoid possible negative scenarios and impacts on the health of the system. In the first chapter of this thesis, some basic concepts regarding machine learning in general is presented. In the second chapter, we explore the problem of outlier detection, and the role of machine learning in its analysis. In the third chapter, some anomaly detection algorithms will be briefly presented, and then different techniques will be implemented in a programming environment with applications to various example datasets, in order to describe their computational aspects. In the fourth chapter, these implementations will be compared in terms of their results. Finally, the bibliography on which the entire work was based, will be given. 2023-02-02T14:17:30Z 2023-02-02T14:17:30Z 2023-01-13 https://hdl.handle.net/10889/24375 el application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάϑηση Ανίχνευση ανωμαλιών Machine learning Anomaly detection |
| spellingShingle |
Μηχανική μάϑηση Ανίχνευση ανωμαλιών Machine learning Anomaly detection Θεοδωροπούλου, Μαρία Ανίχνευση ανωμαλιών με χρήση μεϑόδων μηχανικής μάϑησης |
| description |
Σ΄ ένα σύνολο δεδομένων, ένα στοιχείο το οποίο παρεκκλίνει από την συνήϑη συμπεριφορά των
υπολοίπων μπορεί να ϑεωρηϑεί ακραία τιμή, εξαίρεση η αλλιώς ανωμαλία. Η ανίχνευση τέτοιων
στοιχείων είναι κρίσιμης σημασίας για την διασφάλιση της λειτουργικότητας των διαφόρων συστημάτων.
Χρηματοοικονομιkές συναλλαγές, εφαρμογές στην κυβερνοασφάλεια, ακόμα και στην ιατροφαρμακευτική
περίϑαλψη ασϑενών είναι μερικά μόνο παραδείγματα στα οποία ο έγκαιρος εντοπισμός πιϑανών
ακραίων τιμών μπορεί να δράσει επικουριkά στην ενεργοποίηση των απαραίτητων διορϑωτικών
ενεργειών για την αποφυγή πιϑανών αρνητικών σεναρίων και επιπτώσεων στην υγεία του συστήματος
που ϑα μπορούσαν αυτές να προαναγγέλλουν.
Στο πρώτο κεφάλαιο της παρούσας εργασίας παρουσιάζονται κάποιες βασικές έννοιες αναφοριkά
με την μηχανική μάϑηση. Στο δεύτερο κεφάλαιο ϑα διερευνηϑεί το πρόβλημα της ανίχνευσης ακραίων
τιμών, και ο ρόλος της μηχανιkής μάϑησης στην ανάλυση αυτού. Στο τρίτο κεφάλαιο, ϑα παρουσιαστούν
εν συντομία κάποιοι αλγόριϑμοι ανίχνευσης ανωμαλιών και στη συνέχεια ϑα υλοποιηϑούν διαφορετιkές
τεχνικές σε προγραμματιστικό περιβάλλον με εφαρμογές σε διάφορα παραδείγματα συνόλων δεδομένων,
με σκοπό την περιγραφή των υπολογιστικών πτυχών τους. Στο τέταρτο κεφάλαιο αυτές οι υλοποιήσεις
ϑα συγκριϑούν ως προς τα αποτελέσματά τους. Τέλος, ϑα δοϑεί η βιβλιογραφία πάνω στην οποία
βασίστηκε όλη η εργασία. |
| author2 |
Theodoropoulou, Maria |
| author_facet |
Theodoropoulou, Maria Θεοδωροπούλου, Μαρία |
| author |
Θεοδωροπούλου, Μαρία |
| author_sort |
Θεοδωροπούλου, Μαρία |
| title |
Ανίχνευση ανωμαλιών με χρήση μεϑόδων μηχανικής μάϑησης |
| title_short |
Ανίχνευση ανωμαλιών με χρήση μεϑόδων μηχανικής μάϑησης |
| title_full |
Ανίχνευση ανωμαλιών με χρήση μεϑόδων μηχανικής μάϑησης |
| title_fullStr |
Ανίχνευση ανωμαλιών με χρήση μεϑόδων μηχανικής μάϑησης |
| title_full_unstemmed |
Ανίχνευση ανωμαλιών με χρήση μεϑόδων μηχανικής μάϑησης |
| title_sort |
ανίχνευση ανωμαλιών με χρήση μεϑόδων μηχανικής μάϑησης |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/24375 |
| work_keys_str_mv |
AT theodōropouloumaria anichneusēanōmaliōnmechrēsēmethodōnmēchanikēsmathēsēs AT theodōropouloumaria anomalydetectionusingmachinelearningtechniques |
| _version_ |
1771297333230698496 |
