| _version_ |
1828461830007160832
|
| author |
Πουρνάρα, Μαρία
|
| author2 |
Κωστούλας, Θεόδωρος
|
| author_facet |
Κωστούλας, Θεόδωρος
Πουρνάρα, Μαρία
|
| author_sort |
Πουρνάρα, Μαρία
|
| collection |
DSpace
|
| description |
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.
|
| id |
oai:hellanicus.lib.aegean.gr:11610-24969
|
| institution |
Hellanicus
|
| language |
el_GR
|
| publishDate |
2023
|
| record_format |
dspace
|
| spelling |
oai:hellanicus.lib.aegean.gr:11610-249692023-03-29T11:14:37Z Βιβλιογραφική ανασκόπηση της εφαρμογής μηχανικής μάθησης για την αντιμετώπιση του COVID-19 Πουρνάρα, Μαρία Κωστούλας, Θεόδωρος Πληροφοριακά και Επικοινωνιακά Συστήματα μηχανική μάθηση βαθιά μάθηση βιβλιογραφική ανασκόπηση covid-19 machine learning deep learning diagnosis bibliographic review COVID-19 Pandemic, 2020- Machine learning 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. The COVID-19 outbreak happened in December 2019 and in just 3 months it evolved to a pandemic. This rapid spread of COVID-19 has affected the lives of millions of people, leading the scientific community to rapidly find solutions and treatments to confront it. Machine Learning, which has seen an increasing development in recent years, has been proved a successful method in solving many problems of everyday life, is now expanding to the field of health. The purpose of this thesis is to present a review of the literature on the machine learning methods used in eight applications: COVID-19 diagnosis, mortality risk prediction, COVID-19 diagnosis using X-rays and CTs, COVID-19 prediction with country data clustering, COVID-19 vaccination progress, the analysis of psychological effects, the use of social networks data to draw conclusions about COVID-19 and the association between weather conditions and its spread. Aspects related to the machine learning models used, data sets and feature selection are analysed. Most machine learning problems are classification problems. The main limitation of the studies discussed is the used datasets, several of which have unbalanced data and small size. 2023-03-22T12:55:20Z 2023-03-22T12:55:20Z 2022-06 http://hdl.handle.net/11610/24969 el_GR CC0 1.0 Παγκόσμια http://creativecommons.org/publicdomain/zero/1.0/ 140 σ. application/pdf Σάμος
|
| spellingShingle |
μηχανική μάθηση
βαθιά μάθηση
βιβλιογραφική ανασκόπηση
covid-19
machine learning
deep learning
diagnosis
bibliographic review
COVID-19 Pandemic, 2020-
Machine learning
Πουρνάρα, Μαρία
Βιβλιογραφική ανασκόπηση της εφαρμογής μηχανικής μάθησης για την αντιμετώπιση του COVID-19
|
| title |
Βιβλιογραφική ανασκόπηση της εφαρμογής μηχανικής μάθησης για την αντιμετώπιση του COVID-19
|
| title_full |
Βιβλιογραφική ανασκόπηση της εφαρμογής μηχανικής μάθησης για την αντιμετώπιση του COVID-19
|
| title_fullStr |
Βιβλιογραφική ανασκόπηση της εφαρμογής μηχανικής μάθησης για την αντιμετώπιση του COVID-19
|
| title_full_unstemmed |
Βιβλιογραφική ανασκόπηση της εφαρμογής μηχανικής μάθησης για την αντιμετώπιση του COVID-19
|
| title_short |
Βιβλιογραφική ανασκόπηση της εφαρμογής μηχανικής μάθησης για την αντιμετώπιση του COVID-19
|
| title_sort |
βιβλιογραφική ανασκόπηση της εφαρμογής μηχανικής μάθησης για την αντιμετώπιση του covid 19
|
| topic |
μηχανική μάθηση
βαθιά μάθηση
βιβλιογραφική ανασκόπηση
covid-19
machine learning
deep learning
diagnosis
bibliographic review
COVID-19 Pandemic, 2020-
Machine learning
|
| url |
http://hdl.handle.net/11610/24969
|
| work_keys_str_mv |
AT pournaramaria bibliographikēanaskopēsētēsepharmogēsmēchanikēsmathēsēsgiatēnantimetōpisētoucovid19
|