Έρευνα για έξυπνες συσκευές υγείας και εξόρυξη δεδομένων

dc.contributor.authorΚαλφούντζος, Φωκίωνel
dc.contributor.authorΣίσκας, Σπυρίδωναςel
dc.date.accessioned2024-06-04T07:14:20Z
dc.date.available2024-06-04T07:14:20Z
dc.identifier.urihttps://olympias.lib.uoi.gr/jspui/handle/123456789/37827
dc.identifier.urihttp://dx.doi.org/10.26268/heal.uoi.17534
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectΈξυπνες συσκευέςel
dc.subjectΕξόρυξη δεδομένωνel
dc.subjectΥγείαel
dc.titleΈρευνα για έξυπνες συσκευές υγείας και εξόρυξη δεδομένωνel
heal.abstractΣτην παρούσα πτυχιακή εργασία με θέμα : Έρευνα για έξυπνες συσκευές υγείας και εξόρυξη δεδομένων με το Weka αρχικά θα γνωρίσουμε το ΙοΤ καθώς επίσης και τα πλεονεκτήματα, μειονεκτήματα και τις εφαρμογές του Internet of Things. Στο επόμενο κεφάλαιο θα ασχοληθούμε με το ΙοΤ στην υγεία. Θα μιλήσουμε για το ΙοΜΤ καθώς επίσης και τα οφέλη και τις εφαρμογές του. Στο τέλος θα παρουσιάσουμε ορισμένες από τις συσκευές παρακολούθησης της υγείας. Στο τρίτο κεφάλαιο θα μιλήσουμε για τη μηχανική μάθηση καθώς επίσης και τις μεθόδους ταξινόμησης: K- Nearest Neighbor, Naïve Bayes, Decision trees, Svm. Στο τέταρτο κεφάλαιο θα γνωρίσουμε το λογισμικό WEKA, το περιβάλλον εργασίας του και την οπτικοποίηση αποτελεσμάτων. Στο πέμπτο κεφάλαιο θα διεξάγουμε μια έρευνα όπου καλούνται κάποια άτομα να απάντησαν σε ερωτήσεις και να συγκεντρώσουμε τα αποτελέσματα του αρχείου .CSV και τα μετατρέψαμε σε αρχείο .arff και να τα τρέξουμε στο WEKA. Στο τέλος θα παρουσιάσουμε τα αποτελέσματα και θα καταλήξουμε στο συμπέρασμα ποιος αγόριθμος είναι ο βέλτιστος.el
heal.abstractIn this thesis on the topic: Research on smart health devices and data mining with Weka, we will initially get to know the IoT as well as the advantages, disadvantages and applications of the Internet of Things. In the next chapter we will deal with IoT in health. We will talk about IoMT as well as its benefits and applications. At the end we will introduce some of the health monitoring devices. In the third chapter we will talk about machine learning as well as classification methods: K- Nearest Neighbor, Naïve Bayes, Decision trees, Svm. In the fourth chapter we will get to know the WEKA software, its working environment and the visualization of results. In the fifth chapter we will conduct a survey where some people are invited to answer questions and collect the results of the .CSV file and convert them into an .arff file and run them in WEKA. At the end we will present the results and come to the conclusion which boyth is optimal.en
heal.academicPublisherΤμήμα Πληροφορικής και Τηλεπικοινωνιώνel
heal.academicPublisherIDuoi
heal.accessfree
heal.advisorNameΓιαννακέας, Νικόλαοςel
heal.classificationΈξυπνες συσκευές - Υγεία
heal.committeeMemberNameΤζάλλας, Αλέξανδροςel
heal.committeeMemberNameΔημόπουλος, Δημήτριοςel
heal.dateAvailable2024-06-04T07:15:20Z
heal.fullTextAvailabilitytrue
heal.languageel
heal.publicationDate2022
heal.recordProviderΠανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιώνel
heal.typebachelorThesis
heal.type.elΠροπτυχιακή/Διπλωματική εργασίαel
heal.type.enBachelor thesisen

Αρχεία

Πρωτότυπος φάκελος/πακέτο

Προβολή: 1 - 1 of 1
Φόρτωση...
Μικρογραφία εικόνας
Ονομα:
ΚΑΛΦΟΥΝΤΖΟΣ Φ. & ΣΙΣΚΑΣ Σ. - ΠΛΗΡΟΦΟΡΙΚΗΣ.pdf
Μέγεθος:
3.29 MB
Μορφότυπο:
Adobe Portable Document Format
Περιγραφή:

Φάκελος/Πακέτο αδειών

Προβολή: 1 - 1 of 1
Φόρτωση...
Μικρογραφία εικόνας
Ονομα:
license.txt
Μέγεθος:
1.71 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή: