[ΥΠΟ ΕΚΠΟΝΗΣΗ]

Επιβλέπων:

Πάνος Φιλιππόπουλος, Επίκουρος Καθηγητής

Συνεπιβλέπων:

Ηλίας Νικόλαρος, Ε.ΔΙ.Π.

Περιγραφή:

Η πτυχιακή εργασία βασίζεται στην κατάλληλη παραμετροποίηση και εφαρμογή αλγορίθμων μηχανικής μάθησης (ενδεικτικά αναφέρονται Knn, C4.5 / RF, SVM, NaiveBayes / Bayesnet, Neural / Perceptron, κ.ο.κ.) σε σύνολα μετρήσεων (data sets) τα οποία έχουν παραχθεί στα πλαίσια του ερευνητικού έργου MELTOPENLAB,από σύνολα BLE αισθητήρων τοποθετημένων στο Μουσείο Νεώτερου Ελληνικού Πολιτισμού. Περιλαμβάνει τα εξής παραδοτέα: 1 – Επιλογή data sets (RSSIs των BLE αισθητήρων) και επεξεργασία μετρήσεων ως προς την αξιοπιστία. 2 – Υλοποίηση σε Python σειράς hints όπως CLOSE (εγγύτερος χωροταξικά αισθητήρας), PREVIOUS (προηγούμενη θέση), NEXT (επόμενη θέση), HYBRID (υπόδειξη θέσης από άλλη τεχνολογία, π.χ. RFID), GRAPH (υπόδειξη θέσης με χρήση γράφου επιτρεπτών μεταβάσεων), κ.ο.κ. 3 – Εφαρμογή των hints στους παραπάνω αλγόριθμους με χρήση εργαλείων όπως το WEKA και αξιολόγηση των επιδόσεων.