{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1319008"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1319008","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μηχανές μάθησης υψηλής απόδοσης για προβλήματα κατηγοριοποίησης - εφαρμογή στην ταξινόμηση κτιρίων σε ενεργειακές κλάσεις","abstract":"Στην εργασία αυτή μελετάται και αναλύεται ο αλγόριθμος Extreme Learning Machine, καθώς και η εφαρμογή του σε προβλήματα κατηγοριοποίησης και ταξινόμησης. Τα νευρωνικά δίκτυα πρόσθιας τροφοδότησης, χρησιμοποιούνται κατά κόρον σε προβλήματα ταξινόμησης, όμως η διαδικασία εκπαίδευσης τους με τους παραδοσιακούς αλγόριθμους είναι εξαιρετικά αργή, πράγμα που οφείλεται στην εκτεταμένη χρήση των αλγορίθμων που βασίζονται στην κλίση και στο ότι οι παράμετροι των δικτύων υπολογίζονται σε κάθε επανάληψη. Ο αλγόριθμος ELM διαφοροποιείται συγκριτικά με τους παραδοσιακούς αλγόριθμους μάθησης στο ότι είναι εξαιρετικά γρήγορος, επιτυγχάνοντας ταυτόχρονα μεγάλη ακρίβεια στην ταξινόμηση. Επιπλέον, οι παράμετροι του δικτύου επιλέγονται τυχαία και δεν επαναϋπολογίζονται ξανά ως το πέρας της διαδικασίας εκπαίδευσης. Παρουσιάζονται αρκετές παραλλαγές του αλγορίθμου ELM, με τις οποίες ξεπερνιούνται κάποιες δυσκολίες και μειονεκτήματα του παραδοσιακού αλγορίθμου και επιτυγχάνονται ακόμα καλύτεροι χρόνοι και ταξινόμηση, καθώς και κάποια υβριδικά μοντέλα συνδυασμού του κλασικού αλγορίθμου ELM με κάποιον παραδοσιακό αλγόριθμο μάθησης. Επιπρόσθετα, αναφέρονται ενδεικτικά κάποιες εφαρμογές του αλγορίθμου ELM σε προβλήματα ταξινόμησης που βρίσκουν εφαρμογή σε πολλαπλά επιστημονικά πεδία, όπως στη βιοιατρική, στη μηχανική, στη βιολογία , καθώς και στη μουσική. Στη συνέχεια, αναλύεται ένα πρόβλημα ταξινόμησης, που αφορά στην ταξινόμηση κτιρίων στην ενεργειακή τους κλάση ανάλογα με το φορτίο θέρμανσης και ψύξης που χρειάζονται. Περιγράφεται αναλυτικά πώς προκύπτει η συνολική πρωτογενής καταναλισκόμενη ενέργεια από τα φορτία θέρμανσης και ψύξης και στη συνέχεια με ποια μεθοδολογία προκύπτει η ενεργειακή κλάση για το κάθε κτίριο. Τέλος, γίνεται πειραματική αξιολόγηση του αλγορίθμου για το συγκεκριμένο πρόβλημα ταξινόμησης, συγκρίνοντας τον με άλλους αλγορίθμους κατηγοριοποίησης δεδομένων.","abstract_html":"Στην εργασία αυτή μελετάται και αναλύεται ο αλγόριθμος Extreme Learning Machine, καθώς και η εφαρμογή του σε προβλήματα κατηγοριοποίησης και ταξινόμησης. Τα νευρωνικά δίκτυα πρόσθιας τροφοδότησης, χρησιμοποιούνται κατά κόρον σε προβλήματα ταξινόμησης, όμως η διαδικασία εκπαίδευσης τους με τους παραδοσιακούς αλγόριθμους είναι εξαιρετικά αργή, πράγμα που οφείλεται στην εκτεταμένη χρήση των αλγορίθμων που βασίζονται στην κλίση και στο ότι οι παράμετροι των δικτύων υπολογίζονται σε κάθε επανάληψη. Ο αλγόριθμος ELM διαφοροποιείται συγκριτικά με τους παραδοσιακούς αλγόριθμους μάθησης στο ότι είναι εξαιρετικά γρήγορος, επιτυγχάνοντας ταυτόχρονα μεγάλη ακρίβεια στην ταξινόμηση. Επιπλέον, οι παράμετροι του δικτύου επιλέγονται τυχαία και δεν επαναϋπολογίζονται ξανά ως το πέρας της διαδικασίας εκπαίδευσης. Παρουσιάζονται αρκετές παραλλαγές του αλγορίθμου ELM, με τις οποίες ξεπερνιούνται κάποιες δυσκολίες και μειονεκτήματα του παραδοσιακού αλγορίθμου και επιτυγχάνονται ακόμα καλύτεροι χρόνοι και ταξινόμηση, καθώς και κάποια υβριδικά μοντέλα συνδυασμού του κλασικού αλγορίθμου ELM με κάποιον παραδοσιακό αλγόριθμο μάθησης. Επιπρόσθετα, αναφέρονται ενδεικτικά κάποιες εφαρμογές του αλγορίθμου ELM σε προβλήματα ταξινόμησης που βρίσκουν εφαρμογή σε πολλαπλά επιστημονικά πεδία, όπως στη βιοιατρική, στη μηχανική, στη βιολογία , καθώς και στη μουσική. Στη συνέχεια, αναλύεται ένα πρόβλημα ταξινόμησης, που αφορά στην ταξινόμηση κτιρίων στην ενεργειακή τους κλάση ανάλογα με το φορτίο θέρμανσης και ψύξης που χρειάζονται. Περιγράφεται αναλυτικά πώς προκύπτει η συνολική πρωτογενής καταναλισκόμενη ενέργεια από τα φορτία θέρμανσης και ψύξης και στη συνέχεια με ποια μεθοδολογία προκύπτει η ενεργειακή κλάση για το κάθε κτίριο. Τέλος, γίνεται πειραματική αξιολόγηση του αλγορίθμου για το συγκεκριμένο πρόβλημα ταξινόμησης, συγκρίνοντας τον με άλλους αλγορίθμους κατηγοριοποίησης δεδομένων.","abstract_has_math":false,"creators":["Κόκκινου Άννα"],"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":"2026-11-19T05:25:33Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1319008"],"render_values":[{"text":"uoadl:1319008","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1319008","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1319008","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%3A1319008","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κόκκινου Άννα"]}]},{"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:1319008","https://pergamos.lib.uoa.gr/uoa/dl/object/1319008"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην εργασία αυτή μελετάται και αναλύεται ο αλγόριθμος Extreme Learning Machine, καθώς και η εφαρμογή του σε προβλήματα κατηγοριοποίησης και ταξινόμησης. Τα νευρωνικά δίκτυα πρόσθιας τροφοδότησης, χρησιμοποιούνται κατά κόρον σε προβλήματα ταξινόμησης, όμως η διαδικασία εκπαίδευσης τους με τους παραδοσιακούς αλγόριθμους είναι εξαιρετικά αργή, πράγμα που οφείλεται στην εκτεταμένη χρήση των αλγορίθμων που βασίζονται στην κλίση και στο ότι οι παράμετροι των δικτύων υπολογίζονται σε κάθε επανάληψη. Ο αλγόριθμος ELM διαφοροποιείται συγκριτικά με τους παραδοσιακούς αλγόριθμους μάθησης στο ότι είναι εξαιρετικά γρήγορος, επιτυγχάνοντας ταυτόχρονα μεγάλη ακρίβεια στην ταξινόμηση. Επιπλέον, οι παράμετροι του δικτύου επιλέγονται τυχαία και δεν επαναϋπολογίζονται ξανά ως το πέρας της διαδικασίας εκπαίδευσης. Παρουσιάζονται αρκετές παραλλαγές του αλγορίθμου ELM, με τις οποίες ξεπερνιούνται κάποιες δυσκολίες και μειονεκτήματα του παραδοσιακού αλγορίθμου και επιτυγχάνονται ακόμα καλύτεροι χρόνοι και ταξινόμηση, καθώς και κάποια υβριδικά μοντέλα συνδυασμού του κλασικού αλγορίθμου ELM με κάποιον παραδοσιακό αλγόριθμο μάθησης. Επιπρόσθετα, αναφέρονται ενδεικτικά κάποιες εφαρμογές του αλγορίθμου ELM σε προβλήματα ταξινόμησης που βρίσκουν εφαρμογή σε πολλαπλά επιστημονικά πεδία, όπως στη βιοιατρική, στη μηχανική, στη βιολογία , καθώς και στη μουσική. Στη συνέχεια, αναλύεται ένα πρόβλημα ταξινόμησης, που αφορά στην ταξινόμηση κτιρίων στην ενεργειακή τους κλάση ανάλογα με το φορτίο θέρμανσης και ψύξης που χρειάζονται. Περιγράφεται αναλυτικά πώς προκύπτει η συνολική πρωτογενής καταναλισκόμενη ενέργεια από τα φορτία θέρμανσης και ψύξης και στη συνέχεια με ποια μεθοδολογία προκύπτει η ενεργειακή κλάση για το κάθε κτίριο. Τέλος, γίνεται πειραματική αξιολόγηση του αλγορίθμου για το συγκεκριμένο πρόβλημα ταξινόμησης, συγκρίνοντας τον με άλλους αλγορίθμους κατηγοριοποίησης δεδομένων.","The topic of this thesis is the study and analysis of the extreme Learning Machine Algorithm and its application on classification problems. Feed forward neural networks have been extensively used on classification problems, but their training time with traditional learning algorithms is extremely slow. Two key reasons for that may be: the slow gradient-based learning algorithms are extensively used to train neural networks, and all the parameters of the networks are tuned iteratively by using such learning algorithms. The ELM algorithm differs compared to traditional learning algorithms because it is extremely fast, while achieving high accuracy in classification. In addition, the parameters of the network are selected randomly and not recalculated until the end of the training process. Several ELM variants are presented, which manage to overcome the difficulties and disadvantages of the classical algorithm achieving better training times and training accuracy. Some hybrid models are presented as well combining the classic algorithm ELM with a traditional learning algorithm. Additionally, some ELM algorithm’s applications are mentioned in classification problems in multiple scientific fields, such as biomedical, engineering, biology and music. Then, a new classification problem is analyzed, concerning the classification of buildings in an energy class depending on required heating load and cooling load. It is elaborated how the total primary energy of every building comes out from heating load and cooling load and there is a thorough description of the methodology used for buildings classification regarding this total energy amount. Finally experimental results are presented and Extreme Learning Machine Algorithm is compared with other learning algorithms."]},{"key":"dc:title","label":"Title","values":["Μηχανές μάθησης υψηλής απόδοσης για προβλήματα κατηγοριοποίησης - εφαρμογή στην ταξινόμηση κτιρίων σε ενεργειακές κλάσεις"]}]}],"canonical_facts":{"dc:creator":["Κόκκινου Άννα"],"dc:date":["2015"],"dc:description":["Στην εργασία αυτή μελετάται και αναλύεται ο αλγόριθμος Extreme Learning Machine, καθώς και η εφαρμογή του σε προβλήματα κατηγοριοποίησης και ταξινόμησης. Τα νευρωνικά δίκτυα πρόσθιας τροφοδότησης, χρησιμοποιούνται κατά κόρον σε προβλήματα ταξινόμησης, όμως η διαδικασία εκπαίδευσης τους με τους παραδοσιακούς αλγόριθμους είναι εξαιρετικά αργή, πράγμα που οφείλεται στην εκτεταμένη χρήση των αλγορίθμων που βασίζονται στην κλίση και στο ότι οι παράμετροι των δικτύων υπολογίζονται σε κάθε επανάληψη. Ο αλγόριθμος ELM διαφοροποιείται συγκριτικά με τους παραδοσιακούς αλγόριθμους μάθησης στο ότι είναι εξαιρετικά γρήγορος, επιτυγχάνοντας ταυτόχρονα μεγάλη ακρίβεια στην ταξινόμηση. Επιπλέον, οι παράμετροι του δικτύου επιλέγονται τυχαία και δεν επαναϋπολογίζονται ξανά ως το πέρας της διαδικασίας εκπαίδευσης. Παρουσιάζονται αρκετές παραλλαγές του αλγορίθμου ELM, με τις οποίες ξεπερνιούνται κάποιες δυσκολίες και μειονεκτήματα του παραδοσιακού αλγορίθμου και επιτυγχάνονται ακόμα καλύτεροι χρόνοι και ταξινόμηση, καθώς και κάποια υβριδικά μοντέλα συνδυασμού του κλασικού αλγορίθμου ELM με κάποιον παραδοσιακό αλγόριθμο μάθησης. Επιπρόσθετα, αναφέρονται ενδεικτικά κάποιες εφαρμογές του αλγορίθμου ELM σε προβλήματα ταξινόμησης που βρίσκουν εφαρμογή σε πολλαπλά επιστημονικά πεδία, όπως στη βιοιατρική, στη μηχανική, στη βιολογία , καθώς και στη μουσική. Στη συνέχεια, αναλύεται ένα πρόβλημα ταξινόμησης, που αφορά στην ταξινόμηση κτιρίων στην ενεργειακή τους κλάση ανάλογα με το φορτίο θέρμανσης και ψύξης που χρειάζονται. Περιγράφεται αναλυτικά πώς προκύπτει η συνολική πρωτογενής καταναλισκόμενη ενέργεια από τα φορτία θέρμανσης και ψύξης και στη συνέχεια με ποια μεθοδολογία προκύπτει η ενεργειακή κλάση για το κάθε κτίριο. Τέλος, γίνεται πειραματική αξιολόγηση του αλγορίθμου για το συγκεκριμένο πρόβλημα ταξινόμησης, συγκρίνοντας τον με άλλους αλγορίθμους κατηγοριοποίησης δεδομένων.","The topic of this thesis is the study and analysis of the extreme Learning Machine Algorithm and its application on classification problems. Feed forward neural networks have been extensively used on classification problems, but their training time with traditional learning algorithms is extremely slow. Two key reasons for that may be: the slow gradient-based learning algorithms are extensively used to train neural networks, and all the parameters of the networks are tuned iteratively by using such learning algorithms. The ELM algorithm differs compared to traditional learning algorithms because it is extremely fast, while achieving high accuracy in classification. In addition, the parameters of the network are selected randomly and not recalculated until the end of the training process. Several ELM variants are presented, which manage to overcome the difficulties and disadvantages of the classical algorithm achieving better training times and training accuracy. Some hybrid models are presented as well combining the classic algorithm ELM with a traditional learning algorithm. Additionally, some ELM algorithm’s applications are mentioned in classification problems in multiple scientific fields, such as biomedical, engineering, biology and music. Then, a new classification problem is analyzed, concerning the classification of buildings in an energy class depending on required heating load and cooling load. It is elaborated how the total primary energy of every building comes out from heating load and cooling load and there is a thorough description of the methodology used for buildings classification regarding this total energy amount. Finally experimental results are presented and Extreme Learning Machine Algorithm is compared with other learning algorithms."],"dc:identifier":["uoadl:1319008","https://pergamos.lib.uoa.gr/uoa/dl/object/1319008"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Μηχανές μάθησης υψηλής απόδοσης για προβλήματα κατηγοριοποίησης - εφαρμογή στην ταξινόμηση κτιρίων σε ενεργειακές κλάσεις"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:33Z"}