Μοντέλο πρόβλεψης ευεξίας ελλήνων ναυτικών με τεχνητή νοημοσύνη
Wellness prediction model for hellenic seamen using artificial intelligence
Θεματική επικεφαλίδα
TPSH::Επιστήμη Υπολογιστών::Τεχνητή ΝοημοσύνηΛέξεις κλειδιά
Έλληνες ναυτικοί ; Μηχανική μάθηση ; Νευρωνικά δίκτυα ; Τεχνητή νοημοσύνη ; Εργασιακό άγχος ; Προσωπική ευεξία ; Αλγόριθμοι ταξινόμησηςΠερίληψη
Σκοπός της παρούσας διατριβής είναι η δημιουργία ενός μοντέλου πρόβλεψης προσωπικής ευεξίας των Ελλήνων ναυτικών, το οποίο θα βασίζεται στην μηχανική μάθηση με ταξινόμηση χρησιμοποιώντας τους αλγορίθμους Exhaustive CHAID, ID3 και με χρήση νευρωνικών δικτύων. Η έρευνα καλείται να απαντήσει τα εξής ερευνητικά ερωτήματα «Υπάρχει δυνατότητα δημιουργίας μοντέλου πρόβλεψης της προσωπικής ευεξίας μέσω της μηχανικής μάθησης με επίβλεψη; Κατά πόσο το μοντέλο αυτό είναι αποδεκτό και αξιόπιστο;» και «η δυαδική ταξινόμηση με το μέγιστο κέρδος πληροφορίας μπορεί να εφαρμοστεί;». Τα δεδομένα εκπαίδευσης αντλήθηκαν από 900 δείγματα Ελλήνων ναυτικών μηχανικών και πλοιάρχων που μετεκπαιδεύονται στο κέντρο επιμόρφωσης στελεχών του εμπορικού ναυτικού (ΚΕΣΕΝ). Τα αποτελέσματα της έρευνας είναι ότι, με τις μεθόδους Exhaustive CHAID με split-validation, Exhaustive CHAID με Crossvalidation, ID3 σε περιβάλλον Matlab και MLP με νευρωνικό δίκτυο, είναι εφικτή η δημιουργία ενός τέτοιου μοντέλου πρόβλεψης στο οποίο η παράμετρος ‘προβλήματα ύπνου’ αποτελεί το καθοριστικό παράγοντα για την ύπαρξη ή μη προσωπικής ευεξίας.
Περίληψη
The purpose of this thesis is to create a model of personal wellness prediction of Hellenic seafarers, based on mechanical learning with classification using the Exhaustive CHAID, ID3 algorithms and neural networks. The research is asked to answer the following research questions: "Is there a possibility of creating a model of personal wellness prediction through supervised mechanical learning? To what extent is this model acceptable and reliable? "And" can the binary classification with maximum information gain be applied? ". Training data was drawn from 900 samples of Hellenic naval engineers and captains completing training at the Navy Training Center (KESEN). The results of the research are that using Exhaustive CHAID with split-validation, Exhaustive CHAID with Crossvalidation, ID3 in Matlab environment and MLP with neural network, it is possible to create such a prediction model in which the sleep issues parameter is the determining factor for the existence or not of personal wellness.
Αριθμός σελίδων
77Τίτλος Προγράμματος Μεταπτυχιακών Σπουδών
Νέες Τεχνολογίες στη Ναυτιλία και τις ΜεταφορέςΓλώσσα
Ελληνικά
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα