{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3336849"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3336849","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Implementation of Machine Learning Flows for Data Analysis in Communication Networks","abstract":"Η παρούσα εργασία, διερευνά την χρήση αρχιτεκτονικών νευρωνικών δικτύων βάθους, με σκοπό την πρόβλεψη κίνησης σε δίκτυα κινητής τηλεφωνίας 4ης γενιάς. Το πρώτο τμήμα της εργασίας, πραγματεύεται και διερευνά τις συσχετίσεις ανάμεσα στα μεγέθη τα οποία καταγράφει και συλλέγει το τηλεπικοινωνιακό δίκτυο. Επιπροσθέτως, επιχειρεί να επιβεβαιώσει τις παρατηρούμενες συσχετίσεις των μετρικών, με βάση τις διέπουσες αρχές των LTE δικτύων, όπως αυτές αναφέρονται στην σχετική βιβλίογραφία. Το δεύτερο και κύριο τμήμα της εργασίας, επιχειρεί να προβλέψει τις τιμές ορισμένων μελετούμενων μεγεθών, με βάση τις παρατηρούμενες συσχετίσεις του πρώτου μέρους. Αυτό επιτυγχάνεται με τη χρήση MLP, LSTM και CNN αρχιτεκτονικών νευρωνικών δικτύων, υλοποιημένων στις ευρέως χρησιμο-ποιούμενες βιβλιοθήκες της Python, Tensorflow και Keras.","abstract_html":"Η παρούσα εργασία, διερευνά την χρήση αρχιτεκτονικών νευρωνικών δικτύων βάθους, με σκοπό την πρόβλεψη κίνησης σε δίκτυα κινητής τηλεφωνίας 4ης γενιάς. Το πρώτο τμήμα της εργασίας, πραγματεύεται και διερευνά τις συσχετίσεις ανάμεσα στα μεγέθη τα οποία καταγράφει και συλλέγει το τηλεπικοινωνιακό δίκτυο. Επιπροσθέτως, επιχειρεί να επιβεβαιώσει τις παρατηρούμενες συσχετίσεις των μετρικών, με βάση τις διέπουσες αρχές των LTE δικτύων, όπως αυτές αναφέρονται στην σχετική βιβλίογραφία. Το δεύτερο και κύριο τμήμα της εργασίας, επιχειρεί να προβλέψει τις τιμές ορισμένων μελετούμενων μεγεθών, με βάση τις παρατηρούμενες συσχετίσεις του πρώτου μέρους. Αυτό επιτυγχάνεται με τη χρήση MLP, LSTM και CNN αρχιτεκτονικών νευρωνικών δικτύων, υλοποιημένων στις ευρέως χρησιμο-ποιούμενες βιβλιοθήκες της Python, Tensorflow και Keras.","abstract_has_math":false,"creators":["Λεούσης Γεώργιος","Leousis Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:56Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3336849"],"render_values":[{"text":"uoadl:3336849","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3336849","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3336849","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%3A3336849","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λεούσης Γεώργιος","Leousis Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3336849","https://pergamos.lib.uoa.gr/uoa/dl/object/3336849"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία, διερευνά την χρήση αρχιτεκτονικών νευρωνικών δικτύων βάθους, με σκοπό την πρόβλεψη κίνησης σε δίκτυα κινητής τηλεφωνίας 4ης γενιάς. Το πρώτο τμήμα της εργασίας, πραγματεύεται και διερευνά τις συσχετίσεις ανάμεσα στα μεγέθη τα οποία καταγράφει και συλλέγει το τηλεπικοινωνιακό δίκτυο. Επιπροσθέτως, επιχειρεί να επιβεβαιώσει τις παρατηρούμενες συσχετίσεις των μετρικών, με βάση τις διέπουσες αρχές των LTE δικτύων, όπως αυτές αναφέρονται στην σχετική βιβλίογραφία. Το δεύτερο και κύριο τμήμα της εργασίας, επιχειρεί να προβλέψει τις τιμές ορισμένων μελετούμενων μεγεθών, με βάση τις παρατηρούμενες συσχετίσεις του πρώτου μέρους. Αυτό επιτυγχάνεται με τη χρήση MLP, LSTM και CNN αρχιτεκτονικών νευρωνικών δικτύων, υλοποιημένων στις ευρέως χρησιμο-ποιούμενες βιβλιοθήκες της Python, Tensorflow και Keras.","The present study, investigates the use of deep neural architectures for the purpose of predicting traffic in 4G - LTE mobile networks. The first part of this study, attempts to unravel the complex relations between the different metrics collected by the network. It also attempts to justify the observed correlation results using first principles of an LTE network, as stated in the corresponding literature. The second and main part of the thesis attempts to predict the value of certain metrics, taking into account the correlations existing between them. This was achieved through the use of MLP, LSTM and CNN artificial neural nodes. These nodes were combined in modestly complex architectures and implemented in the commonly used Tensorflow and Keras Python libraries."]},{"key":"dc:title","label":"Title","values":["Implementation of Machine Learning Flows for Data Analysis in Communication Networks"]}]}],"canonical_facts":{"dc:creator":["Λεούσης Γεώργιος","Leousis Georgios"],"dc:date":["2023"],"dc:description":["Η παρούσα εργασία, διερευνά την χρήση αρχιτεκτονικών νευρωνικών δικτύων βάθους, με σκοπό την πρόβλεψη κίνησης σε δίκτυα κινητής τηλεφωνίας 4ης γενιάς. Το πρώτο τμήμα της εργασίας, πραγματεύεται και διερευνά τις συσχετίσεις ανάμεσα στα μεγέθη τα οποία καταγράφει και συλλέγει το τηλεπικοινωνιακό δίκτυο. Επιπροσθέτως, επιχειρεί να επιβεβαιώσει τις παρατηρούμενες συσχετίσεις των μετρικών, με βάση τις διέπουσες αρχές των LTE δικτύων, όπως αυτές αναφέρονται στην σχετική βιβλίογραφία. Το δεύτερο και κύριο τμήμα της εργασίας, επιχειρεί να προβλέψει τις τιμές ορισμένων μελετούμενων μεγεθών, με βάση τις παρατηρούμενες συσχετίσεις του πρώτου μέρους. Αυτό επιτυγχάνεται με τη χρήση MLP, LSTM και CNN αρχιτεκτονικών νευρωνικών δικτύων, υλοποιημένων στις ευρέως χρησιμο-ποιούμενες βιβλιοθήκες της Python, Tensorflow και Keras.","The present study, investigates the use of deep neural architectures for the purpose of predicting traffic in 4G - LTE mobile networks. The first part of this study, attempts to unravel the complex relations between the different metrics collected by the network. It also attempts to justify the observed correlation results using first principles of an LTE network, as stated in the corresponding literature. The second and main part of the thesis attempts to predict the value of certain metrics, taking into account the correlations existing between them. This was achieved through the use of MLP, LSTM and CNN artificial neural nodes. These nodes were combined in modestly complex architectures and implemented in the commonly used Tensorflow and Keras Python libraries."],"dc:identifier":["uoadl:3336849","https://pergamos.lib.uoa.gr/uoa/dl/object/3336849"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Implementation of Machine Learning Flows for Data Analysis in Communication Networks"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:56Z"}