{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1317267"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1317267","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εξαγωγή γνώσης από διατροφικά δεδομένα και παράγοντες που σχετίζονται με καρδιαγγειακά νοσήματα.","abstract":"Η πρόβλεψη της εκδήλωσης μίας ασθένειας είναι μία από τις πιο ενδιαφέρουσες και δύσκολες εργασίες στις οποίες εφαρμόζεται η εξόρυξη δεδομένων. Η εφαρμογή της εξόρυξης δεδομένων στο τομέα της ιατρικής σήμερα αποτελεί μία δραστήρια ερευνητική περιοχή. Τα καρδιακά νοσήματα αποτελούν την πιο σημαντική αιτία θανάτου στις προηγμένες κοινωνίες. Στη παρούσα διπλωματική εργασία παρουσιάζονται διάφοροι αλγόριθμοι εξόρυξης γνώσης και συγκεκριμένα αλγόριθμοι κατηγοριοποίησης, όπως τα Δέντρα Απόφασης, η Στατιστική Παλινδρόμηση, οι Μέθοδοι Ensemble και τα Support Vector Machines, για την πρόβλεψη των ασθενών που έχουν νοσήσει με στεφανιαία νόσο. Τα δεδομένα που χρησιμοποιούνται παρέχονται από έρευνα που πραγματοποιήθηκε στα πλαίσια του προγράμματος THISEAS. Τα δεδομένα αυτά υποβλήθηκαν σε διάφορες τεχνικές προεπεξεργασίας έτσι ώστε να αποδώσουν τα καλύτερα δυνατά αποτελέσματα. Επιπλέον χρησιμοποιήθηκαν αυτοματοποιημένες τεχνικές επιλογής γνωρισμάτων για τη δημιουργία του τελικού συνόλου των δεδομένων με σκοπό την επιλογή των καταλληλότερων γνωρισμάτων. Τέλος στον αλγόριθμο κατηγοριοποίησης που εμφάνισε το μεγαλύτερο accuracy, όπως προέκυψε από την έρευνα, εφαρμόστηκε η τεχνική ελέγχου υπερεκπαίδευσης, ώστε να διαπιστωθεί ποιος είναι ο ιδανικός αριθμός training set που χρειάζεται ο αλγόριθμος, προκειμένου να κατασκευάσει το μοντέλο του για να κατηγοριοποιήσει ένα άγνωστο δείγμα, χωρίς να οδηγηθούμε σε υπερεκπαίδευση του μοντέλου.","abstract_html":"Η πρόβλεψη της εκδήλωσης μίας ασθένειας είναι μία από τις πιο ενδιαφέρουσες και δύσκολες εργασίες στις οποίες εφαρμόζεται η εξόρυξη δεδομένων. Η εφαρμογή της εξόρυξης δεδομένων στο τομέα της ιατρικής σήμερα αποτελεί μία δραστήρια ερευνητική περιοχή. Τα καρδιακά νοσήματα αποτελούν την πιο σημαντική αιτία θανάτου στις προηγμένες κοινωνίες. Στη παρούσα διπλωματική εργασία παρουσιάζονται διάφοροι αλγόριθμοι εξόρυξης γνώσης και συγκεκριμένα αλγόριθμοι κατηγοριοποίησης, όπως τα Δέντρα Απόφασης, η Στατιστική Παλινδρόμηση, οι Μέθοδοι Ensemble και τα Support Vector Machines, για την πρόβλεψη των ασθενών που έχουν νοσήσει με στεφανιαία νόσο. Τα δεδομένα που χρησιμοποιούνται παρέχονται από έρευνα που πραγματοποιήθηκε στα πλαίσια του προγράμματος THISEAS. Τα δεδομένα αυτά υποβλήθηκαν σε διάφορες τεχνικές προεπεξεργασίας έτσι ώστε να αποδώσουν τα καλύτερα δυνατά αποτελέσματα. Επιπλέον χρησιμοποιήθηκαν αυτοματοποιημένες τεχνικές επιλογής γνωρισμάτων για τη δημιουργία του τελικού συνόλου των δεδομένων με σκοπό την επιλογή των καταλληλότερων γνωρισμάτων. Τέλος στον αλγόριθμο κατηγοριοποίησης που εμφάνισε το μεγαλύτερο accuracy, όπως προέκυψε από την έρευνα, εφαρμόστηκε η τεχνική ελέγχου υπερεκπαίδευσης, ώστε να διαπιστωθεί ποιος είναι ο ιδανικός αριθμός training set που χρειάζεται ο αλγόριθμος, προκειμένου να κατασκευάσει το μοντέλο του για να κατηγοριοποιήσει ένα άγνωστο δείγμα, χωρίς να οδηγηθούμε σε υπερεκπαίδευση του μοντέλου.","abstract_has_math":false,"creators":["Ιακωβίδου Ευδοξία"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2015,"date_issued":"2015","date_published":"2015","updated_at":"2026-11-19T05:25:03Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1317267"],"render_values":[{"text":"uoadl:1317267","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1317267","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1317267","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1317267","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ιακωβίδου Ευδοξία"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2015"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1317267","https://pergamos.lib.uoa.gr/uoa/dl/object/1317267"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η πρόβλεψη της εκδήλωσης μίας ασθένειας είναι μία από τις πιο ενδιαφέρουσες και δύσκολες εργασίες στις οποίες εφαρμόζεται η εξόρυξη δεδομένων. Η εφαρμογή της εξόρυξης δεδομένων στο τομέα της ιατρικής σήμερα αποτελεί μία δραστήρια ερευνητική περιοχή. Τα καρδιακά νοσήματα αποτελούν την πιο σημαντική αιτία θανάτου στις προηγμένες κοινωνίες. Στη παρούσα διπλωματική εργασία παρουσιάζονται διάφοροι αλγόριθμοι εξόρυξης γνώσης και συγκεκριμένα αλγόριθμοι κατηγοριοποίησης, όπως τα Δέντρα Απόφασης, η Στατιστική Παλινδρόμηση, οι Μέθοδοι Ensemble και τα Support Vector Machines, για την πρόβλεψη των ασθενών που έχουν νοσήσει με στεφανιαία νόσο. Τα δεδομένα που χρησιμοποιούνται παρέχονται από έρευνα που πραγματοποιήθηκε στα πλαίσια του προγράμματος THISEAS. Τα δεδομένα αυτά υποβλήθηκαν σε διάφορες τεχνικές προεπεξεργασίας έτσι ώστε να αποδώσουν τα καλύτερα δυνατά αποτελέσματα. Επιπλέον χρησιμοποιήθηκαν αυτοματοποιημένες τεχνικές επιλογής γνωρισμάτων για τη δημιουργία του τελικού συνόλου των δεδομένων με σκοπό την επιλογή των καταλληλότερων γνωρισμάτων. Τέλος στον αλγόριθμο κατηγοριοποίησης που εμφάνισε το μεγαλύτερο accuracy, όπως προέκυψε από την έρευνα, εφαρμόστηκε η τεχνική ελέγχου υπερεκπαίδευσης, ώστε να διαπιστωθεί ποιος είναι ο ιδανικός αριθμός training set που χρειάζεται ο αλγόριθμος, προκειμένου να κατασκευάσει το μοντέλο του για να κατηγοριοποιήσει ένα άγνωστο δείγμα, χωρίς να οδηγηθούμε σε υπερεκπαίδευση του μοντέλου.","The prediction of a disease’s emergence is one of the most interesting and difficult tasks data mining is applied on. The application of data mining in the field of medicine nowadays constitutes a vigorous research domain. Heart disease is the major cause of death in advanced societies. In this thesis various data mining algorithms and specifically classification algorithms, such as Decision Trees, Statistical Regression, Ensemble Methods and Support Vector Machines, are presented for the prediction of the patients who have been ill with coronary artery disease. The data used for this thesis are supplied by a research that was held as a part of the THISEAS program. These data were subjected to various preprocessing techniques to deliver the best possible results. Moreover, automated feature selection techniques were used to create the final dataset in order to select the most appropriate features. Finally, the overfitting technique was applied to the classification algorithm that demonstrated the highest accuracy, as emerged from the research, to determine what is the ideal number of training sets for the algorithm to build its model so that it is able to classify an unlabeled instance without been led to overfitting the model."]},{"key":"dc:title","label":"Title","values":["Εξαγωγή γνώσης από διατροφικά δεδομένα και παράγοντες που σχετίζονται με καρδιαγγειακά νοσήματα."]}]}],"canonical_facts":{"dc:creator":["Ιακωβίδου Ευδοξία"],"dc:date":["2015"],"dc:description":["Η πρόβλεψη της εκδήλωσης μίας ασθένειας είναι μία από τις πιο ενδιαφέρουσες και δύσκολες εργασίες στις οποίες εφαρμόζεται η εξόρυξη δεδομένων. Η εφαρμογή της εξόρυξης δεδομένων στο τομέα της ιατρικής σήμερα αποτελεί μία δραστήρια ερευνητική περιοχή. Τα καρδιακά νοσήματα αποτελούν την πιο σημαντική αιτία θανάτου στις προηγμένες κοινωνίες. Στη παρούσα διπλωματική εργασία παρουσιάζονται διάφοροι αλγόριθμοι εξόρυξης γνώσης και συγκεκριμένα αλγόριθμοι κατηγοριοποίησης, όπως τα Δέντρα Απόφασης, η Στατιστική Παλινδρόμηση, οι Μέθοδοι Ensemble και τα Support Vector Machines, για την πρόβλεψη των ασθενών που έχουν νοσήσει με στεφανιαία νόσο. Τα δεδομένα που χρησιμοποιούνται παρέχονται από έρευνα που πραγματοποιήθηκε στα πλαίσια του προγράμματος THISEAS. Τα δεδομένα αυτά υποβλήθηκαν σε διάφορες τεχνικές προεπεξεργασίας έτσι ώστε να αποδώσουν τα καλύτερα δυνατά αποτελέσματα. Επιπλέον χρησιμοποιήθηκαν αυτοματοποιημένες τεχνικές επιλογής γνωρισμάτων για τη δημιουργία του τελικού συνόλου των δεδομένων με σκοπό την επιλογή των καταλληλότερων γνωρισμάτων. Τέλος στον αλγόριθμο κατηγοριοποίησης που εμφάνισε το μεγαλύτερο accuracy, όπως προέκυψε από την έρευνα, εφαρμόστηκε η τεχνική ελέγχου υπερεκπαίδευσης, ώστε να διαπιστωθεί ποιος είναι ο ιδανικός αριθμός training set που χρειάζεται ο αλγόριθμος, προκειμένου να κατασκευάσει το μοντέλο του για να κατηγοριοποιήσει ένα άγνωστο δείγμα, χωρίς να οδηγηθούμε σε υπερεκπαίδευση του μοντέλου.","The prediction of a disease’s emergence is one of the most interesting and difficult tasks data mining is applied on. The application of data mining in the field of medicine nowadays constitutes a vigorous research domain. Heart disease is the major cause of death in advanced societies. In this thesis various data mining algorithms and specifically classification algorithms, such as Decision Trees, Statistical Regression, Ensemble Methods and Support Vector Machines, are presented for the prediction of the patients who have been ill with coronary artery disease. The data used for this thesis are supplied by a research that was held as a part of the THISEAS program. These data were subjected to various preprocessing techniques to deliver the best possible results. Moreover, automated feature selection techniques were used to create the final dataset in order to select the most appropriate features. Finally, the overfitting technique was applied to the classification algorithm that demonstrated the highest accuracy, as emerged from the research, to determine what is the ideal number of training sets for the algorithm to build its model so that it is able to classify an unlabeled instance without been led to overfitting the model."],"dc:identifier":["uoadl:1317267","https://pergamos.lib.uoa.gr/uoa/dl/object/1317267"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Εξαγωγή γνώσης από διατροφικά δεδομένα και παράγοντες που σχετίζονται με καρδιαγγειακά νοσήματα."],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:03Z"}