{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2098383"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2098383","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Application of Machine Learning techniques in Cloud Services","abstract":"Τα τελευταία χρόνια η Μηχανική Μάθηση και το Υπολογιστικό Νέφος γίνονται ολοένα και πιο δημοφιλή, εξαιτίας της ραγδαίας αύξησης του μεγέθους των δεδομένων και της αναγκαιότητας της γρήγορης επεξεργασίας τους για την εξαγωγή χρήσιμης πληροφορίας από αυτά. Στόχος της παρούσας διπλωματικής είναι η διερεύνηση τεχνικών μηχανικής μάθησης με σκοπό την εφαρμογή τους στις υπηρεσίες του υπολογιστικού νέφους. Σε αυτή την εργασία, επικεντρωθήκαμε στη βελτίωση της επεξεργασίας και της ανάλυσης των δεδομένων ενός πραγματικού σιδηροδρομικού συστήματος (συγκεκριμένα ενός τραμ μιας πόλης της Γαλλίας, της Ρενς) με την πρόβλεψη της κατανάλωσης ισχύος του τρένου. Αναπτύσσουμε μια τεχνική μηχανικής μάθησης, τα Νευρωνικά Δίκτυα για να επεξεργαστούμε το σύνολο δεδομένων, το οποίο αποτελείται απο διαφορετικές φυσικές ποσότητες σχετιζόμενες με το τραμ της Ρενς. Οι μετρήσεις που χρησιμοποιήσαμε λαμβάνονταν από διαφορετικούς αισθητήρες εγκαταστημένους στο τραμ, περιοδικά κάθε δευτερόλεπτο στη διάρκεια μιας μέρας. Στην παρούσα διπλωματική εργασία, αρχικά παρέχουμε το απαραίτητο θεωρητικό υπόβαθρο και στη συνέχεια παρουσιάζουμε κάποια σχετικά πειραματικά αποτελέσματα. Το θεωρητικό υπόβαθρο περιλαμβάνει την εισαγωγή στην έννοια «Μεγάλα Δεδομένα», μια παρουσίαση διάφορων μεθόδων Εξόρυξης Δεδομένων και αλγορίθμων Μηχανικής Μάθησης που μπορούν να χρησιμοποιηθούν για την επεξεργασία των μεγάλων δεδομένων και μια επισκόπηση στις έννοιες «Υπολογιστικό Νέφος», «Διαδίκτυο των Πραγμάτων» και «SiteWhere». Στο Κεφάλαιο 2 ορίζουμε το πρόβλημα που θα επιλύσουμε και εισάγουμε τους όρους «Υπολογιστικό Νέφος» και «Διαδίκτυο των Πραγμάτων». Στο Κεφάλαιο 3 εισάγουμε τις έννοιες «Μεγάλα Δεδομένα», «Εξόρυξη Δεδομένων» και «Μηχανική Μάθηση». Στο Κεφάλαιο 4 ξεκινάμε με την παρουσίαση της αρχιτεκτονικής και των δυνατοτήτων του «SiteWhere» και καταλήγουμε με την απεικόνιση των δεδομένων του τρένου, χρησιμοποιώντας ένα Γραφικό Περιβάλλον Διεπαφής Χρήστη (GUI), γνωστό ως MongoDB Compass. Το σύνολο δεδομένων, που περιέχει τα δεδομένα από το τρένο αποθηκεύτηκαν στη βάση δεδομένων «MongoDB», η οποία υποστηρίζεται από την πλατφόρμα SiteWhere. Στο Κεφάλαιο 5 παρέχουμε μια γρήγορη επισκόπιση των Νευρωνικών Δικτύων καθώς και των βασικών σχετικών αλγορίθμων. Στο Κεφάλαιο 6 εισάγουμε την έννοια της Χρονοσειράς, εφαρμόζουμε δύο διαφορετικά είδη Νευρωνικών Δικτύων, το Multilayer Perceptron (MLP) και το Long Short-Term Memory (LSTM) στα δεδομένα που συλλέχθηκαν από το τρένο και παρουσιάζουμε τα αποτελέσματά μας. Το Κεφάλαιο 7 παρέχει την περίληψη της παρούσας διπλωματικής εργασίας και των συμπερασμάτων των προηγούμενων κεφαλαίων.","abstract_html":"Τα τελευταία χρόνια η Μηχανική Μάθηση και το Υπολογιστικό Νέφος γίνονται ολοένα και πιο δημοφιλή, εξαιτίας της ραγδαίας αύξησης του μεγέθους των δεδομένων και της αναγκαιότητας της γρήγορης επεξεργασίας τους για την εξαγωγή χρήσιμης πληροφορίας από αυτά. Στόχος της παρούσας διπλωματικής είναι η διερεύνηση τεχνικών μηχανικής μάθησης με σκοπό την εφαρμογή τους στις υπηρεσίες του υπολογιστικού νέφους. Σε αυτή την εργασία, επικεντρωθήκαμε στη βελτίωση της επεξεργασίας και της ανάλυσης των δεδομένων ενός πραγματικού σιδηροδρομικού συστήματος (συγκεκριμένα ενός τραμ μιας πόλης της Γαλλίας, της Ρενς) με την πρόβλεψη της κατανάλωσης ισχύος του τρένου. Αναπτύσσουμε μια τεχνική μηχανικής μάθησης, τα Νευρωνικά Δίκτυα για να επεξεργαστούμε το σύνολο δεδομένων, το οποίο αποτελείται απο διαφορετικές φυσικές ποσότητες σχετιζόμενες με το τραμ της Ρενς. Οι μετρήσεις που χρησιμοποιήσαμε λαμβάνονταν από διαφορετικούς αισθητήρες εγκαταστημένους στο τραμ, περιοδικά κάθε δευτερόλεπτο στη διάρκεια μιας μέρας. Στην παρούσα διπλωματική εργασία, αρχικά παρέχουμε το απαραίτητο θεωρητικό υπόβαθρο και στη συνέχεια παρουσιάζουμε κάποια σχετικά πειραματικά αποτελέσματα. Το θεωρητικό υπόβαθρο περιλαμβάνει την εισαγωγή στην έννοια «Μεγάλα Δεδομένα», μια παρουσίαση διάφορων μεθόδων Εξόρυξης Δεδομένων και αλγορίθμων Μηχανικής Μάθησης που μπορούν να χρησιμοποιηθούν για την επεξεργασία των μεγάλων δεδομένων και μια επισκόπηση στις έννοιες «Υπολογιστικό Νέφος», «Διαδίκτυο των Πραγμάτων» και «SiteWhere». Στο Κεφάλαιο 2 ορίζουμε το πρόβλημα που θα επιλύσουμε και εισάγουμε τους όρους «Υπολογιστικό Νέφος» και «Διαδίκτυο των Πραγμάτων». Στο Κεφάλαιο 3 εισάγουμε τις έννοιες «Μεγάλα Δεδομένα», «Εξόρυξη Δεδομένων» και «Μηχανική Μάθηση». Στο Κεφάλαιο 4 ξεκινάμε με την παρουσίαση της αρχιτεκτονικής και των δυνατοτήτων του «SiteWhere» και καταλήγουμε με την απεικόνιση των δεδομένων του τρένου, χρησιμοποιώντας ένα Γραφικό Περιβάλλον Διεπαφής Χρήστη (GUI), γνωστό ως MongoDB Compass. Το σύνολο δεδομένων, που περιέχει τα δεδομένα από το τρένο αποθηκεύτηκαν στη βάση δεδομένων «MongoDB», η οποία υποστηρίζεται από την πλατφόρμα SiteWhere. Στο Κεφάλαιο 5 παρέχουμε μια γρήγορη επισκόπιση των Νευρωνικών Δικτύων καθώς και των βασικών σχετικών αλγορίθμων. Στο Κεφάλαιο 6 εισάγουμε την έννοια της Χρονοσειράς, εφαρμόζουμε δύο διαφορετικά είδη Νευρωνικών Δικτύων, το Multilayer Perceptron (MLP) και το Long Short-Term Memory (LSTM) στα δεδομένα που συλλέχθηκαν από το τρένο και παρουσιάζουμε τα αποτελέσματά μας. Το Κεφάλαιο 7 παρέχει την περίληψη της παρούσας διπλωματικής εργασίας και των συμπερασμάτων των προηγούμενων κεφαλαίων.","abstract_has_math":false,"creators":["Πελεκάνου Αντωνία","Pelekanou Antonia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2017,"date_issued":"2017","date_published":"2017","updated_at":"2026-11-19T05:29:53Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2098383"],"render_values":[{"text":"uoadl:2098383","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2098383","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2098383","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%3A2098383","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πελεκάνου Αντωνία","Pelekanou Antonia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2017"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2098383","https://pergamos.lib.uoa.gr/uoa/dl/object/2098383"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα τελευταία χρόνια η Μηχανική Μάθηση και το Υπολογιστικό Νέφος γίνονται ολοένα και πιο δημοφιλή, εξαιτίας της ραγδαίας αύξησης του μεγέθους των δεδομένων και της αναγκαιότητας της γρήγορης επεξεργασίας τους για την εξαγωγή χρήσιμης πληροφορίας από αυτά. Στόχος της παρούσας διπλωματικής είναι η διερεύνηση τεχνικών μηχανικής μάθησης με σκοπό την εφαρμογή τους στις υπηρεσίες του υπολογιστικού νέφους. Σε αυτή την εργασία, επικεντρωθήκαμε στη βελτίωση της επεξεργασίας και της ανάλυσης των δεδομένων ενός πραγματικού σιδηροδρομικού συστήματος (συγκεκριμένα ενός τραμ μιας πόλης της Γαλλίας, της Ρενς) με την πρόβλεψη της κατανάλωσης ισχύος του τρένου. Αναπτύσσουμε μια τεχνική μηχανικής μάθησης, τα Νευρωνικά Δίκτυα για να επεξεργαστούμε το σύνολο δεδομένων, το οποίο αποτελείται απο διαφορετικές φυσικές ποσότητες σχετιζόμενες με το τραμ της Ρενς. Οι μετρήσεις που χρησιμοποιήσαμε λαμβάνονταν από διαφορετικούς αισθητήρες εγκαταστημένους στο τραμ, περιοδικά κάθε δευτερόλεπτο στη διάρκεια μιας μέρας. Στην παρούσα διπλωματική εργασία, αρχικά παρέχουμε το απαραίτητο θεωρητικό υπόβαθρο και στη συνέχεια παρουσιάζουμε κάποια σχετικά πειραματικά αποτελέσματα. Το θεωρητικό υπόβαθρο περιλαμβάνει την εισαγωγή στην έννοια «Μεγάλα Δεδομένα», μια παρουσίαση διάφορων μεθόδων Εξόρυξης Δεδομένων και αλγορίθμων Μηχανικής Μάθησης που μπορούν να χρησιμοποιηθούν για την επεξεργασία των μεγάλων δεδομένων και μια επισκόπηση στις έννοιες «Υπολογιστικό Νέφος», «Διαδίκτυο των Πραγμάτων» και «SiteWhere». Στο Κεφάλαιο 2 ορίζουμε το πρόβλημα που θα επιλύσουμε και εισάγουμε τους όρους «Υπολογιστικό Νέφος» και «Διαδίκτυο των Πραγμάτων». Στο Κεφάλαιο 3 εισάγουμε τις έννοιες «Μεγάλα Δεδομένα», «Εξόρυξη Δεδομένων» και «Μηχανική Μάθηση». Στο Κεφάλαιο 4 ξεκινάμε με την παρουσίαση της αρχιτεκτονικής και των δυνατοτήτων του «SiteWhere» και καταλήγουμε με την απεικόνιση των δεδομένων του τρένου, χρησιμοποιώντας ένα Γραφικό Περιβάλλον Διεπαφής Χρήστη (GUI), γνωστό ως MongoDB Compass. Το σύνολο δεδομένων, που περιέχει τα δεδομένα από το τρένο αποθηκεύτηκαν στη βάση δεδομένων «MongoDB», η οποία υποστηρίζεται από την πλατφόρμα SiteWhere. Στο Κεφάλαιο 5 παρέχουμε μια γρήγορη επισκόπιση των Νευρωνικών Δικτύων καθώς και των βασικών σχετικών αλγορίθμων. Στο Κεφάλαιο 6 εισάγουμε την έννοια της Χρονοσειράς, εφαρμόζουμε δύο διαφορετικά είδη Νευρωνικών Δικτύων, το Multilayer Perceptron (MLP) και το Long Short-Term Memory (LSTM) στα δεδομένα που συλλέχθηκαν από το τρένο και παρουσιάζουμε τα αποτελέσματά μας. Το Κεφάλαιο 7 παρέχει την περίληψη της παρούσας διπλωματικής εργασίας και των συμπερασμάτων των προηγούμενων κεφαλαίων.","Machine Learning and Cloud Computing are gaining increased popularity over that past few years. The reason behind this is the rapid increase of the volume of data and the necessity of their fast processing, in order to extract useful information. The goal of this master thesis is to investigate the application of machine learning techniques in support of cloud services. In this work, we focus our effort to improve the process and analysis of the data of a real railway system (the Reims tramway) by forecasting the train power consumption. We develop a machine learning technique based on Neural Networks to process the dataset composed of various physical quantities related with the Reims tramway, each one measured periodically every second during the period of a day. The measurements were collected by different sensors, which were installed on the train. Initially, we provide the required theoretical background and then we present some relevant experimental results. The theoretical background involves the introduction of the concept of Big Data, the presentation of different Data Mining methods and Machine Learning algorithms that can be used in data processing and a review on Cloud Computing, Internet of Things (IoT) and SiteWhere. In Chapter 2, the problem definition is presented, and the terms of Cloud Computing and Internet of Things are introduced. In Chapter 3, we introduce the notions of Big Data, Data Mining and Machine Learning. In Chapter 4, we begin with the presentation of the architecture and capabilities of SiteWhere and we conclude with the visualization of the train data, using a Graphical User Interface (GUI), referred to as MongoDB Compass. The train dataset was stored in the MongoDB database, which is supported by the SiteWhere platform. Chapter 5 provides a brief overview of Neural Networks and the relevant basic algorithms. In Chapter 6 we introduce the concept of Time Series, implement two different types of Neural Networks, the Multilayer Perceptrons (MLP) and the Long Short-Term Memory (LSTM) on the train dataset and we present a set of relevant results. Chapter 7 provides the summary of the thesis and the conclusions derived and presented in the previous chapters."]},{"key":"dc:title","label":"Title","values":["Application of Machine Learning techniques in Cloud Services"]}]}],"canonical_facts":{"dc:creator":["Πελεκάνου Αντωνία","Pelekanou Antonia"],"dc:date":["2017"],"dc:description":["Τα τελευταία χρόνια η Μηχανική Μάθηση και το Υπολογιστικό Νέφος γίνονται ολοένα και πιο δημοφιλή, εξαιτίας της ραγδαίας αύξησης του μεγέθους των δεδομένων και της αναγκαιότητας της γρήγορης επεξεργασίας τους για την εξαγωγή χρήσιμης πληροφορίας από αυτά. Στόχος της παρούσας διπλωματικής είναι η διερεύνηση τεχνικών μηχανικής μάθησης με σκοπό την εφαρμογή τους στις υπηρεσίες του υπολογιστικού νέφους. Σε αυτή την εργασία, επικεντρωθήκαμε στη βελτίωση της επεξεργασίας και της ανάλυσης των δεδομένων ενός πραγματικού σιδηροδρομικού συστήματος (συγκεκριμένα ενός τραμ μιας πόλης της Γαλλίας, της Ρενς) με την πρόβλεψη της κατανάλωσης ισχύος του τρένου. Αναπτύσσουμε μια τεχνική μηχανικής μάθησης, τα Νευρωνικά Δίκτυα για να επεξεργαστούμε το σύνολο δεδομένων, το οποίο αποτελείται απο διαφορετικές φυσικές ποσότητες σχετιζόμενες με το τραμ της Ρενς. Οι μετρήσεις που χρησιμοποιήσαμε λαμβάνονταν από διαφορετικούς αισθητήρες εγκαταστημένους στο τραμ, περιοδικά κάθε δευτερόλεπτο στη διάρκεια μιας μέρας. Στην παρούσα διπλωματική εργασία, αρχικά παρέχουμε το απαραίτητο θεωρητικό υπόβαθρο και στη συνέχεια παρουσιάζουμε κάποια σχετικά πειραματικά αποτελέσματα. Το θεωρητικό υπόβαθρο περιλαμβάνει την εισαγωγή στην έννοια «Μεγάλα Δεδομένα», μια παρουσίαση διάφορων μεθόδων Εξόρυξης Δεδομένων και αλγορίθμων Μηχανικής Μάθησης που μπορούν να χρησιμοποιηθούν για την επεξεργασία των μεγάλων δεδομένων και μια επισκόπηση στις έννοιες «Υπολογιστικό Νέφος», «Διαδίκτυο των Πραγμάτων» και «SiteWhere». Στο Κεφάλαιο 2 ορίζουμε το πρόβλημα που θα επιλύσουμε και εισάγουμε τους όρους «Υπολογιστικό Νέφος» και «Διαδίκτυο των Πραγμάτων». Στο Κεφάλαιο 3 εισάγουμε τις έννοιες «Μεγάλα Δεδομένα», «Εξόρυξη Δεδομένων» και «Μηχανική Μάθηση». Στο Κεφάλαιο 4 ξεκινάμε με την παρουσίαση της αρχιτεκτονικής και των δυνατοτήτων του «SiteWhere» και καταλήγουμε με την απεικόνιση των δεδομένων του τρένου, χρησιμοποιώντας ένα Γραφικό Περιβάλλον Διεπαφής Χρήστη (GUI), γνωστό ως MongoDB Compass. Το σύνολο δεδομένων, που περιέχει τα δεδομένα από το τρένο αποθηκεύτηκαν στη βάση δεδομένων «MongoDB», η οποία υποστηρίζεται από την πλατφόρμα SiteWhere. Στο Κεφάλαιο 5 παρέχουμε μια γρήγορη επισκόπιση των Νευρωνικών Δικτύων καθώς και των βασικών σχετικών αλγορίθμων. Στο Κεφάλαιο 6 εισάγουμε την έννοια της Χρονοσειράς, εφαρμόζουμε δύο διαφορετικά είδη Νευρωνικών Δικτύων, το Multilayer Perceptron (MLP) και το Long Short-Term Memory (LSTM) στα δεδομένα που συλλέχθηκαν από το τρένο και παρουσιάζουμε τα αποτελέσματά μας. Το Κεφάλαιο 7 παρέχει την περίληψη της παρούσας διπλωματικής εργασίας και των συμπερασμάτων των προηγούμενων κεφαλαίων.","Machine Learning and Cloud Computing are gaining increased popularity over that past few years. The reason behind this is the rapid increase of the volume of data and the necessity of their fast processing, in order to extract useful information. The goal of this master thesis is to investigate the application of machine learning techniques in support of cloud services. In this work, we focus our effort to improve the process and analysis of the data of a real railway system (the Reims tramway) by forecasting the train power consumption. We develop a machine learning technique based on Neural Networks to process the dataset composed of various physical quantities related with the Reims tramway, each one measured periodically every second during the period of a day. The measurements were collected by different sensors, which were installed on the train. Initially, we provide the required theoretical background and then we present some relevant experimental results. The theoretical background involves the introduction of the concept of Big Data, the presentation of different Data Mining methods and Machine Learning algorithms that can be used in data processing and a review on Cloud Computing, Internet of Things (IoT) and SiteWhere. In Chapter 2, the problem definition is presented, and the terms of Cloud Computing and Internet of Things are introduced. In Chapter 3, we introduce the notions of Big Data, Data Mining and Machine Learning. In Chapter 4, we begin with the presentation of the architecture and capabilities of SiteWhere and we conclude with the visualization of the train data, using a Graphical User Interface (GUI), referred to as MongoDB Compass. The train dataset was stored in the MongoDB database, which is supported by the SiteWhere platform. Chapter 5 provides a brief overview of Neural Networks and the relevant basic algorithms. In Chapter 6 we introduce the concept of Time Series, implement two different types of Neural Networks, the Multilayer Perceptrons (MLP) and the Long Short-Term Memory (LSTM) on the train dataset and we present a set of relevant results. Chapter 7 provides the summary of the thesis and the conclusions derived and presented in the previous chapters."],"dc:identifier":["uoadl:2098383","https://pergamos.lib.uoa.gr/uoa/dl/object/2098383"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Application of Machine Learning techniques in Cloud Services"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:29:53Z"}