Βιβλιογραφική ανασκόπηση της εφαρμογής μηχανικής μάθησης για την αντιμετώπιση του COVID-19

To ξέσπασμα του COVID-19 έγινε τον Δεκέμβριο του 2019 και σε 3 μόλις μήνες εξελίχθηκε σε πανδημία. Αυτή η ταχεία εξάπλωση του COVID-19 έχει επηρεάσει τις ζωές εκατομμυρίων ανθρώπων, οδηγώντας την επιστημονική κοινότητα στην ταχεία εύρεση λύσεων και θεραπειών για την αντιμετώπισή του. Η Μηχανική Μάθη...

Full description

Saved in:
Bibliographic Details
Main Author: Πουρνάρα, Μαρία
Other Authors: Κωστούλας, Θεόδωρος
Language:el_GR
Published: 2023
Subjects:
Online Access:http://hdl.handle.net/11610/24969
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:To ξέσπασμα του COVID-19 έγινε τον Δεκέμβριο του 2019 και σε 3 μόλις μήνες εξελίχθηκε σε πανδημία. Αυτή η ταχεία εξάπλωση του COVID-19 έχει επηρεάσει τις ζωές εκατομμυρίων ανθρώπων, οδηγώντας την επιστημονική κοινότητα στην ταχεία εύρεση λύσεων και θεραπειών για την αντιμετώπισή του. Η Μηχανική Μάθηση, έχοντας αυξανόμενη εξέλιξη τα τελευταία χρόνια, έχει αποδειχθεί επιτυχής μέθοδος στην επίλυση πολλών προβλημάτων της καθημερινότητας, επεκτεινόμενη και στον τομέα της υγείας. Σκοπός της παρούσας εργασίας είναι να παρουσιάσει μια ανασκόπηση της βιβλιογραφίας για τις μεθόδους μηχανικής μάθησης που χρησιμοποιήθηκαν σε οκτώ εφαρμογές: την διάγνωση COVID-19, την πρόβλεψη κινδύνου θνησιμότητας, τη διάγνωση COVID-19 με χρήση ακτινογραφιών και αξονικών τομογραφιών, την πρόβλεψη COVID-19 με ομαδοποίηση δεδομένων χωρών, την εξέλιξη εμβολιασμού κατά του COVID-19, την εξέταση ψυχολογικών επιπτώσεων, την χρήση δεδομένων από κοινωνικά δίκτυα για εξαγωγή συμπερασμάτων για τον COVID-19 και τη συσχέτιση μεταξύ καιρικών φαινομένων και της εξάπλωσής του. Αναλύονται πτυχές που σχετίζονται με τα χρησιμοποιούμενα μοντέλα μηχανικής μάθησης, τα σύνολα δεδομένων και την επιλογή χαρακτηριστικών. Τα περισσότερα προβλήματα μηχανικής μάθησης αποτελούν προβλήματα ταξινόμησης. Βασικό περιορισμό στις μελέτες που αναλύθηκαν αποτελούν τα χρησιμοποιούμενα σύνολα δεδομένων, αρκετά από τα οποία έχουν μη ισορροπημένα δεδομένα και μικρό μέγεθος.