Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/04B2AEDF-AE25-423A-85B7-32F9EB6663F0 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.79054 | - |
| Γλώσσα | el | - |
| Μέγεθος | 4192 Kilobytes | el |
| Τίτλος | Εφαρμοσμένη ανάλυση συστάδων | el |
| Τίτλος | Applied cluster analysis | en |
| Δημιουργός | Stratinakis Nikolaos | en |
| Δημιουργός | Στρατινακης Νικολαος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Daras Tryfonas | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Δαρας Τρυφωνας | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Delis Anargyros | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Δελης Αναργυρος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Manousakis Antonios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Μανουσακης Αντωνιος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Production Engineering and Management | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Περίληψη | H ανάλυση συστάδων (cluster analysis) είναι μια μέθοδος που έχει σαν σκοπό να κατατάξει σε ομάδες υπάρχουσες παρατηρήσεις χρησιμοποιώντας την πληροφορία που υπάρχει σε κάποιες μεταβλητές. Κοιτάζοντας δηλαδή τις παρατηρήσεις μπορεί να πει κανείς πόσο “όμοιες” είναι ως προς κάποιον αριθμό μεταβλητών, δημιουργώντας ομάδες (από παρατηρήσεις) που μοιάζουν μεταξύ τους. Μια επιτυχημένη ανάλυση θα πρέπει να καταλήξει σε ομάδες για τις οποίες οι παρατηρήσεις μέσα σε κάθε ομάδα θα είναι όσο γίνεται πιο ομοιογενείς αλλά παρατηρήσεις διαφορετικών ομάδων θα διαφέρουν όσο γίνεται περισσότερο. Η ομαδοποίηση γίνεται με τη βοήθεια της έννοιας της απόστασης ή της ομοιότητας Η ανάλυση συστάδων είναι σημαντική όχι μόνο σε επιστήμες όπως η κοινωνιολογία, η βιολογία και η στατιστική, αλλά και σε πολλούς τομείς της πληροφορικής όπως η αναγνώριση προτύπων, η εξόρυξη γνώσης, η ανάκτηση δεδομένων, η τεχνητή νοημοσύνη και η μηχανική μάθηση. Στo 1o κεφάλαιο της διπλωματικής εργασίας δίνεται μια εισαγωγή στην Ανάλυση Συστάδων (φιλοσοφία της Α.Σ., μέθοδοι, πλεονεκτήματα/μειονεκτήματα της Α.Σ. και τέλος προβλήματα εφαρμογής της). Στο 2ο κεφάλαιο περιγράφονται τα κυριότερα μέτρα απόστασης και ομοιότητας (ανάλογα με το είδος των μεταβλητών) που χρησιμοποιεί κανείς στην Α.Σ. και δίνονται αναλυτικά παραδείγματα. Στο 3ο κεφάλαιο αναφέρονται οι βασικές μέθοδοι σύνδεσης ομάδων και περιγράφονται οι ιεραρχικές μέθοδοι ταξινόμησης, με αναλυτικά παραδείγματα. Στο 4ο κεφάλαιο περιγράφεται η μέθοδος μη ιεραρχικής ταξινόμησης k-means. Τέλος, στο 5ο κεφάλαιο δίνεται μια εφαρμογή της Α.Σ. στην ταξινόμηση σταθμών μέτρησης ατμοσφαιρικής ρύπανσης στην περιοχή του Λεκανοπεδίου Αττικής. | el |
| Περίληψη | Cluster analysis is a method designed to classify existing observations using the information that exists in some variables. Looking at the observations, one can say how similar they are to a number of variables, creating groups (from observations) that resemble each other. A successful analysis should result in groups for which the observations within each group will be as homogeneous as possible, but observations of different groups will vary as much as possible. Grouping takes place with the help of the concept of distance or similarity. Cluster analysis is important not only in many sciences such as sociology, biology and statistics, but also in many areas of information technology such as pattern recognition, knowledge mining, data recovery, artificial intelligence, and mechanical learning. In the 1st chapter of the thesis there is an introduction to the Cluster Analysis (philosophy of the C.A., methods, advantages / disadvantages of the C.A. and finally problems of its implementation). The 2nd chapter describes the main measures of distance and similarity (depending on the type of variables) used by the C.A. and detailed examples are given. Chapter 3 lists the basic methods of group linkage and describes hierarchical classification methods, with examples. The 4th chapter describes the non-hierarchical k-means method. Finally, in the 5th chapter an application of the C.A., in the classification of atmospheric pollution measuring stations in the Attica region, is given. | en |
| Τύπος | Μεταπτυχιακή Διατριβή | el |
| Τύπος | Master Thesis | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2018-10-10 | - |
| Ημερομηνία Δημοσίευσης | 2018 | - |
| Θεματική Κατηγορία | Ιεραρχικές μέθοδοι ομαδοποίησης | el |
| Θεματική Κατηγορία | Ατμοσφαιρική ρύπανση | el |
| Θεματική Κατηγορία | Μη ιεραρχική ομαδοποίηση | el |
| Θεματική Κατηγορία | Μέτρα ομοιότητας | el |
| Θεματική Κατηγορία | Cluster analysis | en |
| Θεματική Κατηγορία | Ανάλυση συστάδων | el |
| Βιβλιογραφική Αναφορά | Νικόλαος Στρατινάκης, "Εφαρμοσμένη ανάλυση συστάδων ", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2018 | el |
| Βιβλιογραφική Αναφορά | Nikolaos Stratinakis, "Applied cluster analysis", Master Thesis, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2018 | en |
Copyright © DIAS 2013
