Σχεδιασμός και υλοποίηση αλγορίθμων μηχανικής μάθησης για μεγάλα βιοϊατρικά δεδομένα

Περίληψη

Η Μηχανική Μάθηση (ΜΜ) είναι ένα κρίσιμο εργαλείο για την ανάλυση μεγάλων βιοϊατρικών δεδομένων που βασίζεται στη θεμελιώδη αρχή ότι η ποιότητα των δεδομένων καθορίζει την αποτελεσματικότητα των αναλυτικών αποτελεσμάτων. Η παρούσα έρευνα υπογραμμίζει τη σημασία της σχολαστικής συλλογής και προεπεξεργασίας δεδομένων, με έμφαση στην ακρίβεια, για την υποστήριξη της αξιοπιστίας των εφαρμογών ΜΜ. Αντιμετωπίζει τα κρίσιμα ζητήματα των ελλιπών πληροφοριών, των ανωμαλιών, των επικαλύψεων και των οριακών περιπτώσεων, όλα κρίσιμα για την προετοιμασία των συνόλων δεδομένων για ολοκληρωμένη ανάλυση. Στη συνέχεια, η έμφαση μετατοπίζεται στην τέχνη και την επιστήμη της προεπεξεργασίας δεδομένων, με τη συγκέντρωση, τη δειγματοληψία, τη μείωση της διαστατικότητας, την επιλογή χαρακτηριστικών και τη μηχανική να αναδεικνύονται ως βασικές τεχνικές για τη μετατροπή των ακατέργαστων δεδομένων σε δομημένες μορφές κατάλληλες για προηγμένους αλγορίθμους ΜΜ. Αυτά τα προκαταρκτικά βήματα είναι κρίσιμα για την ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Machine Learning (ML) is a critical tool for Big Biomedical data analysis based on the fundamental principle that data quality determines the efficacy of analytical results. This investigation emphasizes the importance of meticulous data collection and preprocessing, focusing on precision, to support the dependability of ML applications. It addresses the critical issues of missing information, anomalies, duplications, and boundary cases, all critical for priming datasets for comprehensive analysis. The emphasis then shifts to the art and science of data preprocessing, with aggregation, sampling, dimensionality reduction, feature selection, and engineering highlighted as key techniques for transforming raw data into structured formats suitable for advanced ML algorithms. These preliminary steps are critical for leveraging ensemble learning, which emerges as a strong strategy for improving model performance. Ensemble learning, which combines multiple predictive models, is proposed as a w ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/56040
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/56040
ND
56040
Εναλλακτικός τίτλος
Design and implementation of machine learning algorithms in big biomedical data
Συγγραφέας
Αναγνώστου, Παναγιώτης (Πατρώνυμο: Γεώργιος)
Ημερομηνία
2023
Ίδρυμα
Πανεπιστήμιο Θεσσαλίας. Σχολή Θετικών Επιστημών. Τμήμα Πληροφορικής με Εφαρμογές στη Βιοϊατρική
Εξεταστική επιτροπή
Τασουλής Σωτήριος
Πλαγιανάκος Βασίλειος
Δελήμπασης Κωνσταντίνος
Γεωργακόπουλος Σπυρίδων
Βραχάτης Αριστείδης
Σαβελώνας Μιχαήλ
Ιακωβίδης Δημήτριος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Λέξεις-κλειδιά
Μηχανική μάθηση; Μεγάλα δεδομένα; Βιοπληροφορική; Υψηλή διαστατικότητα; Αντικατάσταση κενών; Βελτίωση πρόβλεψης; Μέθοδοι συνόλου; Αλγόριθμοι ομαδοποίησης; Αλγόριθμοι ταξινόμησης; Δεδομένα ορίων; Νευρωνικά δίκτυα; Υπερεπίπεδα ελάχιστης πυκνότητας; Προσεγγιστικός πλησιέστερος γείτονας; Έργο ATHLOS; Υγειονομική περίθαλψη; Ανάλυση δεδομένων
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.