Ανίχνευση ήπιας γνωστικής εξασθένησης με χρήση παιχνιδιών σοβαρού σκοπού και αλγορίθμων μηχανικής μάθησης
Στη παρούσα διπλωματική εργασία εξετάζουμε το θέμα της ήπιας γνωστικής εξασθένησης, σε συνδυασμό με τα παιχνίδια σοβαρού σκοπού και τους αλγόριθμους μηχανικής μάθησης. Ο κύριος σκοπός της εργασίας είναι να απαντήσει στο ερώτημα του κατά πόσο είναι εφικτό να δημιουργηθεί ένα μοντέλο μηχανικής μάθησ...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | el_GR |
| Δημοσίευση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/21683 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | Στη παρούσα διπλωματική εργασία εξετάζουμε το θέμα της ήπιας γνωστικής εξασθένησης, σε συνδυασμό με τα παιχνίδια σοβαρού σκοπού και τους αλγόριθμους μηχανικής μάθησης.
Ο κύριος σκοπός της εργασίας είναι να απαντήσει στο ερώτημα του κατά πόσο είναι εφικτό να δημιουργηθεί ένα μοντέλο μηχανικής μάθησης το οποίο θα είναι σε θέση να κατηγοριοποιήσει έναν χρήστη μιας εφαρμογής παιχνιδιών σοβαρού σκοπού σε επιμέρους κατηγορίες γνωστικής επάρκειας.
Το θέμα προσεγγίστηκε με μια προσαρμοσμένη μεθοδολογία, η οποία περιλαμβάνει μια σειρά διαδικασιών μέσω των οποίων προσπαθούμε να φτάσουμε στο σημείο όπου θα δημιουργήσουμε ένα μοντέλο το οποίο θα παρέχει έναν ικανοποιητικό βαθμό ακρίβειας για τη τρέχουσα συλλογή δεδομένων και έναν βαθμό αξιοπιστίας για δεδομένα μελλοντικών ερευνών. Τα δεδομένα που αναλύονται αποτελούν τη καταγραφή των επιδόσεων, μιας συγκεκριμένης ομάδας εστίασης, στην εφαρμογή παιχνιδιών σοβαρού σκοπού MCI Rehab.
Στα πρώτα βήματα της μεθοδολογίας, επικεντρωνόμαστε σε διαδικασίες που έχουν να κάνουν με τη μεταφορά και το μετασχηματισμό των δεδομένων, έως ότου αυτά έρθουν στη μορφή που επιθυμούμε.
Στη συνέχεια, ο κύριος όγκος της εργασίας αφορά τη διερευνητική ανάλυση των δεδομένων, με σκοπό να προκύψουν συμπεράσματα για το ποια θα ήταν τα ιδανικά Features, ο πιο αποδοτικός αλγόριθμος αλλά και οι κατάλληλες μέθοδοι βελτιστοποίησης για τη δημιουργία του επιθυμητού μοντέλου.
Έπειτα θα μας απασχολήσουν διαδικασίες που έχουν να κάνουν με τη δημιουργία μιας παραγωγικής έκδοσης του μοντέλου που έχει κριθεί ως ιδανικό από τα προηγούμενα βήματα, αλλά και της ενσωμάτωσής του σε μια υπηρεσία η οποία θα μπορούσε να λειτουργήσει ως ένα REST API.
Κλείνοντας πριν καταλήξουμε στα συμπεράσματα, γίνεται αναλυτική αναφορά στα αποτελέσματα του κάθε μοντέλου σε συγκεκριμένα Metrics, τόσο για τα πειραματικά μοντέλα που δημιουργήθηκαν κατά τη διερευνητική ανάλυση όσο και για αυτό που ονομάζουμε παραγωγικό μοντέλο.
Κάτω από ιδανικές συνθήκες, μια τέτοια υπηρεσία θα μπορούσε να κάνει χρήση ενός ή και περισσοτέρων από τα μοντέλα που έχουν δημιουργηθεί από τη προσαρμοσμένη μεθοδολογία με σκοπό να αποτελέσουν ένα συμπληρωματικό εργαλείο ανίχνευσης της ήπιας γνωστικής εξασθένησης. |
|---|