Εκτίμηση ανθρώπινης συμπεριφοράς σε ένα έξυπνο σπίτι με χρήση μεθόδων μηχανικής μάθησης (Bachelor thesis)
Γκουντάκος, Κωνσταντίνος
This thesis is studying machine learning methods in order to identify human activities
performed in daily life. We studied the behavior Machines SVM Support vector with three
different cores, a linear, a radial (RBF) and polynomial. For the training and validation of
learning engineering algorithms used method cascading rolling fixed-size window.
Although human performance in different ways from person to person, we were able to
predict satisfactorily perform the same activities from different people
| Institution and School/Department of submitter: | Τεχνολογικών Εφαρμογών / Μηχανικών Πληροφορικής - ΠΜΣ Ευφυείς Τεχνολογίες Διαδικτύου |
| Subject classification: | Machine learning Μηχανική μάθηση Home automation Αυτοματισμός σπιτιού Human activity recognition Αναγνώριση ανθρώπινης δραστηριότητας |
| Keywords: | Αναγνώριση Δραστηριοτήτων;Μηχανική Μάθηση;SVM;Κυλιόμενο Παράθυρο;Κατηγοριοποίηση;Precision;Activity Recognition;Machine Learning;Sliding Window;Classification |
| Description: | Διπλωματική εργασία -- Σχολή Τεχνολογικών Εφαρμογών -- Μηχανικών Πληροφορικής -- ΠΜΣ Ευφυείς Τεχνολογίες Διαδικτύου, 2016 (α/α8164) |
| URI: | http://195.251.240.227/jspui/handle/123456789/12929 |
| Item type: | bachelorThesis |
| General Description / Additional Comments: | Διπλωματική εργασία |
| Subject classification: | Machine learning Μηχανική μάθηση Home automation Αυτοματισμός σπιτιού Human activity recognition Αναγνώριση ανθρώπινης δραστηριότητας |
| Item language: | el |
| Item access scheme: | account |
| Institution and School/Department of submitter: | Τεχνολογικών Εφαρμογών / Μηχανικών Πληροφορικής - ΠΜΣ Ευφυείς Τεχνολογίες Διαδικτύου |
| Publication date: | 2016-11-09 |
| Bibliographic citation: | Γκουντάκος, Κ. (2016). Εκτίμηση Ανθρώπινης Συμπεριφοράς σε ένα Έξυπνο Σπίτι με Χρήση Μεθόδων Μηχανικής Μάθησης (διπλωματική εργασία). Αλεξάνδρειο ΤΕΙ Θεσσαλονίκης |
| Abstract: | Η παρούσα διπλωματική εργασία μελετά μεθόδους μηχανικής μάθησης με σκοπό την
αναγνώριση ανθρώπινων δραστηριοτήτων που εκτελούνται στην καθημερινή ζωή.
Μελετήσαμε την συμπεριφορά Μηχανών Διανυσμάτων Υποστήριξης SVM, με τρείς
διαφορετικούς πυρήνες, έναν γραμμικό, και έναν ακτινικό (RBF) και έναν πολυωνυμικό.
Για την εκπαίδευση και επικύρωση των αλγορίθμων μηχανικής μάθησης χρησιμοποιήθηκε
η μέθοδος επικαλυπτόμενου κυλιόμενου παραθύρου σταθερού μεγέθους. Παρόλο που η
εκτέλεση ανθρώπινων δραστηριοτήτων γίνεται με διαφορετικό τρόπο από άνθρωπο σε
άνθρωπο, καταφέραμε να προβλέψουμε ικανοποιητικά την εκτέλεση ίδιων δραστηριοτήτων
από διαφορετικούς ανθρώπους. This thesis is studying machine learning methods in order to identify human activities performed in daily life. We studied the behavior Machines SVM Support vector with three different cores, a linear, a radial (RBF) and polynomial. For the training and validation of learning engineering algorithms used method cascading rolling fixed-size window. Although human performance in different ways from person to person, we were able to predict satisfactorily perform the same activities from different people |
| Advisor name: | Διαμαντάρας, Κωνσταντίνος |
| Examining committee: | Διαμαντάρας, Κωνσταντίνος |
| Publishing department/division: | Μηχανικών Πληροφορικής / ΠΜΣ Ευφυείς Τεχνολογίες Διαδικτύου |
| Publishing institution: | teithe |
| Number of pages: | 62 |
| Appears in Collections: | Μεταπτυχιακές Διατριβές |
Files in This Item:
There are no files associated with this item.
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/12929
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
