AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Statistical learning methods applied to process monitoring

Alternative Title :	Εφαρμογή της στατιστικής μάθησης στον έλεγχο ποιότητας

Creator :	Apsemidis, Anastasios Efstathios Αψεμίδης, Αναστάσιος Ευστάθιος

Contributor :	Psarakis, S. (Επιβλέπων καθηγητής) Tsiamyrtzis, P. (Εξεταστής) Karlis, D. (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Εξεταστής)

Type :	Text

Extent :	xii, 90 p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=6112

Abstract :	A few years ago, Statistical Process Monitoring and Statistical Learning began to interact with each other, in order to solve difficult and complex industrial problems. In this thesis, we examine a specific statistical learning technique named Support Vector Machines.It is a most powerful algorithm, although coming from a really simple idea, which is increasingly used in many fields of statistics and computer science. We present a thorough review of the literature concerning support vector machines in the process monitoring field, we test one of the mentioned works on a real data set and try to improve its performance using Principal Components Analysis. Finally, we present an alternative approach which is able to yield better results. Πριν από μερικά χρόνια, η Στατιστική Μάθηση ξεκίνησε να χρησιμοποιείται σε προβλήματα Στατιστικού Ελέγχου Ποιότητας, προκειμένου να λυϑούν δύσκολες και περίπλοκες περιπτώσεις. Στην παρούσα διατριβή, εξετάζεται μια συγκεκριμένη τεχνικήτης στατιστικής μάϑησης, οι λεγόμενες Μηχανές Διανυσμάτων Υποστήριξης. Πρόκειταιγια έναν εξαιρετικά ισχυρό αλγόριϑμο, παρόλο που προέρχεται από μια πολύ απλήιδέα, ο οποίος χρησιμοποιείται ολοένα και περισσότερο σε προβλήματα στατιστικήςκαι πληροφορικής. Παρουσιάζουμε μια αναλυτική ανασκόπηση της βιβλιογραφίαςσχετικά με τη χρήση των μηχανών διανυσμάτων υποστήριξης στο χώρο του ελέγχουποιότητας, ελέγχουμε μια από τις αναφερϑείσες τεχνικές πάνω σε πραγματικά δεδομένακαι προσπαθούμε να βελτιώσουμε την απόδοσή της χρησιμοποιώντας Ανάλυση ΚύριωνΣυνιστωσών. Τέλος, παρουσιάζουμε μια εναλλακτική προσέγγιση, η οποία αποδεικνύεταιότι δίνει καλύτερα αποτελέσματα.

Abstract :

A few years ago, Statistical Process Monitoring and Statistical Learning began to interact with each other, in order to solve difficult and complex industrial problems. In this thesis, we examine a specific statistical learning technique named Support Vector Machines.It is a most powerful algorithm, although coming from a really simple idea, which is increasingly used in many fields of statistics and computer science. We present a thorough review of the literature concerning support vector machines in the process monitoring field, we test one of the mentioned works on a real data set and try to improve its performance using Principal Components Analysis. Finally, we present an alternative approach which is able to yield better results.
Πριν από μερικά χρόνια, η Στατιστική Μάθηση ξεκίνησε να χρησιμοποιείται σε προβλήματα Στατιστικού Ελέγχου Ποιότητας, προκειμένου να λυϑούν δύσκολες και περίπλοκες περιπτώσεις. Στην παρούσα διατριβή, εξετάζεται μια συγκεκριμένη τεχνικήτης στατιστικής μάϑησης, οι λεγόμενες Μηχανές Διανυσμάτων Υποστήριξης. Πρόκειταιγια έναν εξαιρετικά ισχυρό αλγόριϑμο, παρόλο που προέρχεται από μια πολύ απλήιδέα, ο οποίος χρησιμοποιείται ολοένα και περισσότερο σε προβλήματα στατιστικήςκαι πληροφορικής. Παρουσιάζουμε μια αναλυτική ανασκόπηση της βιβλιογραφίαςσχετικά με τη χρήση των μηχανών διανυσμάτων υποστήριξης στο χώρο του ελέγχουποιότητας, ελέγχουμε μια από τις αναφερϑείσες τεχνικές πάνω σε πραγματικά δεδομένακαι προσπαθούμε να βελτιώσουμε την απόδοσή της χρησιμοποιώντας Ανάλυση ΚύριωνΣυνιστωσών. Τέλος, παρουσιάζουμε μια εναλλακτική προσέγγιση, η οποία αποδεικνύεταιότι δίνει καλύτερα αποτελέσματα.

Subject :	Statistical process control Statistical learning Multivariate control charts Support vector machines Analytical review Στατιστικός έλεγχος ποιότητας Στατιστική μάθηση Πολυμεταβλητά διαγράμματα ελέγχου Μηχανές διανυσμάτων υποστήριξης Πραγματική εφαρμογή

Date Available :	2018-05-24 11:59:48

Date Issued :	05/23/2018

Date Submitted :	2018-05-24 11:59:48

Access Rights :	Free access

Licence :

File: Apsemidis_2018.pdf

Type: application/pdf

Login