Μελέτη τεχνικών μηχανικής μάθησης για την διαχείριση πόρων σε ασύρματα δίκτυα
Η παρούσα διπλωματική εργασία είχε ως κύριο σκοπό την ανάλυση δεδομένων με χρήση αλγορίθμων μηχανικής μάθησης και βαθιάς μηχανικής μάθησης όπως είναι ο KNN-R(K Nearest Neighbors Regressor), SVR(Support Vector Regressor), RRF(Random Forest Regressor) και Keras. Στο πρώτο μέρος έγινε μια πιο σύντομη α...
Αποθηκεύτηκε σε:
| Κύριοι συγγραφείς: | , |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | el_GR |
| Δημοσίευση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/24945 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | Η παρούσα διπλωματική εργασία είχε ως κύριο σκοπό την ανάλυση δεδομένων με χρήση αλγορίθμων μηχανικής μάθησης και βαθιάς μηχανικής μάθησης όπως είναι ο KNN-R(K Nearest Neighbors Regressor), SVR(Support Vector Regressor), RRF(Random Forest Regressor) και Keras. Στο πρώτο μέρος έγινε μια πιο σύντομη ανάλυση της εξέλιξης των ασύρματων δικτύων καθώς και της αρχιτεκτονικής Διαδικτύου των Πραγμάτων. Στην συνέχεια επικεντρωθήκαμε στην ανάλυση αλγορίθμων μηχανικής μάθησης καθώς και της βαθιάς μάθησης επίσης.
Στο δεύτερο μέρος πρώτα συλλέξαμε τα δεδομένα μέσω της εφαρμογής και στην συνέχεια μέσου του λογιστικού Anaconda, με την χρήση της γλώσσας
προγραμματισμού Python αναλύσαμε και οπτικοποιήσαμε τα δεδομένα μας. |
|---|