{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2973587"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2973587","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εφαρμογή Αλγορίθμων Μηχανικής Μάθησης στα παραδοσιακά Τηλεπικοινωνιακά Δίκτυα πρόσβασης xDSL","abstract":"Στην παρούσα διπλωματική εργασία πραγματοποιείται η εφαρμογή αλγορίθμων μηχανικής μάθησης σε τηλεπικοινωνιακά δεδομένα της σταθερής υπηρεσίας ADSL2+, με στόχο την ταξινόμηση των γραμμών σε δύο κλάσεις, σύμφωνα με την ποιότητα υπηρεσίας που λαμβάνει ο χρήστης την παρούσα χρονική περίοδο. Για την εκπαίδευση του συστήματος και την εφαρμογή αλγορίθμων μηχανικής μάθησης χρησιμοποιείται το ελεύθερο λογισμικό Weka. Στο πρώτο μέρος της διπλωματικής αναλύονται οι βασικοί πυλώνες στα δίκτυα σταθερών επικοινωνιών όπως η τοπολογία, τα μοντέλα αναφοράς, οι τεχνολογίες των υπηρεσιών σταθερής και παρουσιάζονται προσφατα ποσοστά όσον αφορά την ευρυζωνικότητα στην Ελλάδα σύμφωνα τα στοιχεία της EETT (Εθνική Επιτροπή Τηλεπικοινωνιών και Ταχυδρομείων). Το επόμενο κεφάλαιο αναφέρεται στον τομέα της τεχνητής νοημοσύνης και στις μεθόδους εξόρυξης δεδομένων μέσω των οποίων εξάγονται συμπεράσματα για τα τηλεπικοινωνιακά δεδομένα μας. Στη συνέχεια εφαρμόζονται στην πράξη όσα αναλύθηκαν στα προηγούμενα κεφάλαια χρησιμοποιώντας τους αλγορίθμους μηχανικής μάθησης στα τηλεπικοινωνιακά δεδομένα μας. Συγκρίνονται οι αλγόριθμοι, τα καλύτερα αποτελέσματα αυτών και μετέπειτα επιλέγεται ο βέλτιστος αλγόριθμος ο οποίος καταφέρνει να επιτύχει τα μεγαλύτερα ποσοστά επιτυχούς ταξινόμησης των γραμμών. Από τα αποτελέσματα προκύπτει ότι το ποσοστό επιτυχούς ταξινόμησης ανέρχεται στο 97,56% του συνόλου των τηλεπικοινωνιακών δεδομένων, ενώ αντίστοιχα τα ποσοστά αξιοπιστίας του αποτελέσματος (υπολογισμός συντελεστών αξιοπιστίας), είναι υψηλά. Μέσω των παραπάνω, εντοπίζεται ο αλγόριθμος μηχανικής μάθησης ο οποίος επιφέρει την καλύτερη και πιο αξιόπιστη ταξινόμηση στα τηλεπικοινωνιακά δεδομένα μας. Τέλος, σχολιάζονται και αξιολογούνται τα αποτελέσματα και αναδεικνύονται ζητήματα γiα μελλοντική μελέτη.","abstract_html":"Στην παρούσα διπλωματική εργασία πραγματοποιείται η εφαρμογή αλγορίθμων μηχανικής μάθησης σε τηλεπικοινωνιακά δεδομένα της σταθερής υπηρεσίας ADSL2+, με στόχο την ταξινόμηση των γραμμών σε δύο κλάσεις, σύμφωνα με την ποιότητα υπηρεσίας που λαμβάνει ο χρήστης την παρούσα χρονική περίοδο. Για την εκπαίδευση του συστήματος και την εφαρμογή αλγορίθμων μηχανικής μάθησης χρησιμοποιείται το ελεύθερο λογισμικό Weka. Στο πρώτο μέρος της διπλωματικής αναλύονται οι βασικοί πυλώνες στα δίκτυα σταθερών επικοινωνιών όπως η τοπολογία, τα μοντέλα αναφοράς, οι τεχνολογίες των υπηρεσιών σταθερής και παρουσιάζονται προσφατα ποσοστά όσον αφορά την ευρυζωνικότητα στην Ελλάδα σύμφωνα τα στοιχεία της EETT (Εθνική Επιτροπή Τηλεπικοινωνιών και Ταχυδρομείων). Το επόμενο κεφάλαιο αναφέρεται στον τομέα της τεχνητής νοημοσύνης και στις μεθόδους εξόρυξης δεδομένων μέσω των οποίων εξάγονται συμπεράσματα για τα τηλεπικοινωνιακά δεδομένα μας. Στη συνέχεια εφαρμόζονται στην πράξη όσα αναλύθηκαν στα προηγούμενα κεφάλαια χρησιμοποιώντας τους αλγορίθμους μηχανικής μάθησης στα τηλεπικοινωνιακά δεδομένα μας. Συγκρίνονται οι αλγόριθμοι, τα καλύτερα αποτελέσματα αυτών και μετέπειτα επιλέγεται ο βέλτιστος αλγόριθμος ο οποίος καταφέρνει να επιτύχει τα μεγαλύτερα ποσοστά επιτυχούς ταξινόμησης των γραμμών. Από τα αποτελέσματα προκύπτει ότι το ποσοστό επιτυχούς ταξινόμησης ανέρχεται στο 97,56% του συνόλου των τηλεπικοινωνιακών δεδομένων, ενώ αντίστοιχα τα ποσοστά αξιοπιστίας του αποτελέσματος (υπολογισμός συντελεστών αξιοπιστίας), είναι υψηλά. Μέσω των παραπάνω, εντοπίζεται ο αλγόριθμος μηχανικής μάθησης ο οποίος επιφέρει την καλύτερη και πιο αξιόπιστη ταξινόμηση στα τηλεπικοινωνιακά δεδομένα μας. Τέλος, σχολιάζονται και αξιολογούνται τα αποτελέσματα και αναδεικνύονται ζητήματα γiα μελλοντική μελέτη.","abstract_has_math":false,"creators":["Αλεξανδρίδης Ευθύμιος","Alexandridis Eythymios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:45:01Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2973587"],"render_values":[{"text":"uoadl:2973587","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2973587","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2973587","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%3A2973587","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Αλεξανδρίδης Ευθύμιος","Alexandridis Eythymios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2973587","https://pergamos.lib.uoa.gr/uoa/dl/object/2973587"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην παρούσα διπλωματική εργασία πραγματοποιείται η εφαρμογή αλγορίθμων μηχανικής μάθησης σε τηλεπικοινωνιακά δεδομένα της σταθερής υπηρεσίας ADSL2+, με στόχο την ταξινόμηση των γραμμών σε δύο κλάσεις, σύμφωνα με την ποιότητα υπηρεσίας που λαμβάνει ο χρήστης την παρούσα χρονική περίοδο. Για την εκπαίδευση του συστήματος και την εφαρμογή αλγορίθμων μηχανικής μάθησης χρησιμοποιείται το ελεύθερο λογισμικό Weka. Στο πρώτο μέρος της διπλωματικής αναλύονται οι βασικοί πυλώνες στα δίκτυα σταθερών επικοινωνιών όπως η τοπολογία, τα μοντέλα αναφοράς, οι τεχνολογίες των υπηρεσιών σταθερής και παρουσιάζονται προσφατα ποσοστά όσον αφορά την ευρυζωνικότητα στην Ελλάδα σύμφωνα τα στοιχεία της EETT (Εθνική Επιτροπή Τηλεπικοινωνιών και Ταχυδρομείων). Το επόμενο κεφάλαιο αναφέρεται στον τομέα της τεχνητής νοημοσύνης και στις μεθόδους εξόρυξης δεδομένων μέσω των οποίων εξάγονται συμπεράσματα για τα τηλεπικοινωνιακά δεδομένα μας. Στη συνέχεια εφαρμόζονται στην πράξη όσα αναλύθηκαν στα προηγούμενα κεφάλαια χρησιμοποιώντας τους αλγορίθμους μηχανικής μάθησης στα τηλεπικοινωνιακά δεδομένα μας. Συγκρίνονται οι αλγόριθμοι, τα καλύτερα αποτελέσματα αυτών και μετέπειτα επιλέγεται ο βέλτιστος αλγόριθμος ο οποίος καταφέρνει να επιτύχει τα μεγαλύτερα ποσοστά επιτυχούς ταξινόμησης των γραμμών. Από τα αποτελέσματα προκύπτει ότι το ποσοστό επιτυχούς ταξινόμησης ανέρχεται στο 97,56% του συνόλου των τηλεπικοινωνιακών δεδομένων, ενώ αντίστοιχα τα ποσοστά αξιοπιστίας του αποτελέσματος (υπολογισμός συντελεστών αξιοπιστίας), είναι υψηλά. Μέσω των παραπάνω, εντοπίζεται ο αλγόριθμος μηχανικής μάθησης ο οποίος επιφέρει την καλύτερη και πιο αξιόπιστη ταξινόμηση στα τηλεπικοινωνιακά δεδομένα μας. Τέλος, σχολιάζονται και αξιολογούνται τα αποτελέσματα και αναδεικνύονται ζητήματα γiα μελλοντική μελέτη.","The purpose of this dissertation is the implementation of machine learning algorithms in fixed service telecommunication data, with the aim of classifying fixed lines into two classes, according to the quality of service in the current time. The free software called “Weka” is used for the training of the system and the application of the machine learning algorithms. In the first part of the dissertation, we analyze the main pillars of fixed telecommunication networks, such as topology, reference models, and fixed service technologies as well as the latest broadband rates in Greece, according to EETT (Hellenic Telecommunications & Post Commission). In the next chapter, we analyze the field of artificial intelligence (ΑΙ) and data mining methods through which the telecommunication data results are extracted. Consequently, we practically apply what we analyzed in the previous chapters, using the machine learning algorithms in our telecommunication data. We compare the algorithms and their best results and then select the optimal algorithm that manages to achieve the highest percentages of successful line classification. After the observation of the results, we notice that the successful classification rate amounts to 97,56% of the total telecommunication data, while respectively the reliability percentages of the result (calculation of reliability coefficients), are high. Through the above, we manage to identify the machine learning algorithm which brings us the best and most reliable classification in our telecommunication data."]},{"key":"dc:title","label":"Title","values":["Εφαρμογή Αλγορίθμων Μηχανικής Μάθησης στα παραδοσιακά Τηλεπικοινωνιακά Δίκτυα πρόσβασης xDSL"]}]}],"canonical_facts":{"dc:creator":["Αλεξανδρίδης Ευθύμιος","Alexandridis Eythymios"],"dc:date":["2022"],"dc:description":["Στην παρούσα διπλωματική εργασία πραγματοποιείται η εφαρμογή αλγορίθμων μηχανικής μάθησης σε τηλεπικοινωνιακά δεδομένα της σταθερής υπηρεσίας ADSL2+, με στόχο την ταξινόμηση των γραμμών σε δύο κλάσεις, σύμφωνα με την ποιότητα υπηρεσίας που λαμβάνει ο χρήστης την παρούσα χρονική περίοδο. Για την εκπαίδευση του συστήματος και την εφαρμογή αλγορίθμων μηχανικής μάθησης χρησιμοποιείται το ελεύθερο λογισμικό Weka. Στο πρώτο μέρος της διπλωματικής αναλύονται οι βασικοί πυλώνες στα δίκτυα σταθερών επικοινωνιών όπως η τοπολογία, τα μοντέλα αναφοράς, οι τεχνολογίες των υπηρεσιών σταθερής και παρουσιάζονται προσφατα ποσοστά όσον αφορά την ευρυζωνικότητα στην Ελλάδα σύμφωνα τα στοιχεία της EETT (Εθνική Επιτροπή Τηλεπικοινωνιών και Ταχυδρομείων). Το επόμενο κεφάλαιο αναφέρεται στον τομέα της τεχνητής νοημοσύνης και στις μεθόδους εξόρυξης δεδομένων μέσω των οποίων εξάγονται συμπεράσματα για τα τηλεπικοινωνιακά δεδομένα μας. Στη συνέχεια εφαρμόζονται στην πράξη όσα αναλύθηκαν στα προηγούμενα κεφάλαια χρησιμοποιώντας τους αλγορίθμους μηχανικής μάθησης στα τηλεπικοινωνιακά δεδομένα μας. Συγκρίνονται οι αλγόριθμοι, τα καλύτερα αποτελέσματα αυτών και μετέπειτα επιλέγεται ο βέλτιστος αλγόριθμος ο οποίος καταφέρνει να επιτύχει τα μεγαλύτερα ποσοστά επιτυχούς ταξινόμησης των γραμμών. Από τα αποτελέσματα προκύπτει ότι το ποσοστό επιτυχούς ταξινόμησης ανέρχεται στο 97,56% του συνόλου των τηλεπικοινωνιακών δεδομένων, ενώ αντίστοιχα τα ποσοστά αξιοπιστίας του αποτελέσματος (υπολογισμός συντελεστών αξιοπιστίας), είναι υψηλά. Μέσω των παραπάνω, εντοπίζεται ο αλγόριθμος μηχανικής μάθησης ο οποίος επιφέρει την καλύτερη και πιο αξιόπιστη ταξινόμηση στα τηλεπικοινωνιακά δεδομένα μας. Τέλος, σχολιάζονται και αξιολογούνται τα αποτελέσματα και αναδεικνύονται ζητήματα γiα μελλοντική μελέτη.","The purpose of this dissertation is the implementation of machine learning algorithms in fixed service telecommunication data, with the aim of classifying fixed lines into two classes, according to the quality of service in the current time. The free software called “Weka” is used for the training of the system and the application of the machine learning algorithms. In the first part of the dissertation, we analyze the main pillars of fixed telecommunication networks, such as topology, reference models, and fixed service technologies as well as the latest broadband rates in Greece, according to EETT (Hellenic Telecommunications & Post Commission). In the next chapter, we analyze the field of artificial intelligence (ΑΙ) and data mining methods through which the telecommunication data results are extracted. Consequently, we practically apply what we analyzed in the previous chapters, using the machine learning algorithms in our telecommunication data. We compare the algorithms and their best results and then select the optimal algorithm that manages to achieve the highest percentages of successful line classification. After the observation of the results, we notice that the successful classification rate amounts to 97,56% of the total telecommunication data, while respectively the reliability percentages of the result (calculation of reliability coefficients), are high. Through the above, we manage to identify the machine learning algorithm which brings us the best and most reliable classification in our telecommunication data."],"dc:identifier":["uoadl:2973587","https://pergamos.lib.uoa.gr/uoa/dl/object/2973587"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Εφαρμογή Αλγορίθμων Μηχανικής Μάθησης στα παραδοσιακά Τηλεπικοινωνιακά Δίκτυα πρόσβασης xDSL"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:45:01Z"}