BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20250319T084221Z
LAST-MODIFIED:20250319T084221Z
DTSTAMP:20260714T225621Z
UID:1784058981@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Νικολάου Χανταμπάκη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=7601&cHash=88
 fa97e2d9de29bc880123e3ec1b944f\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Νι
 κολάου Χανταμπάκη\n με θέμα\n Μηχανι
 κή Μάθηση για Χαμηλού Κόστους Πρόβλε
 ψη Ηλιακής Ακτινοβολίας σε Ευρεία Πε
 ριοχή \n Towards Broad, Low-Cost Sol
 ar Radiation Forecasting using Machi
 ne Learning\n Εξεταστική Επιτροπή\n 
 Καθηγητής Γεώργιος Χαλκιαδάκης (επιβ
 λέπων)\n Αναπληρωτής Καθηγητής Βασίλ
 ειος Σαμολαδάς (Σχολή ΗΜΜΥ, Πολυτεχν
 είο Κρήτης)\n Αναπληρωτής Καθηγητής 
 Αθανάσιος Άρης Παναγόπουλος (Σχολή Π
 ληροφορικής, California State Univer
 sity, Fresno)\n Περίληψη\n Τα τελευτ
 αία χρόνια, η πρόβλεψη ηλιακής ακτιν
 οβολίας έχει γίνει αναπόσπαστο κομμά
 τι πλήθους τομέων, όπως, μεταξύ άλλω
 ν, η παραγωγή ενέργειας μέσω ανανεώσ
 ιμων πηγών και η παρακολούθηση της κ
 λιματικής αλλαγής. Ως τώρα, οι σχετι
 κές εργασίες γύρω από το θέμα είτε κ
 αλύπτουν πολύ μικρό χώρο, είτε είναι
  δυσπρόσιτες/μη προσβάσιμες από τον 
 περισσότερο κόσμο, είτε χρησιμοποιού
 ν χρονοσειρές μετρήσεων ηλιακής ακτι
 νοβολίας ως εισόδους, βασιζόμενες στ
 ην ύπαρξη σχετικού εξοπλισμού στο ση
 μείο-στόχο. Στην παρούσα διπλωματική
  εργασία, εξετάζουμε την αποδοτικότη
 τα των νευρωνικών δικτύων εκπαιδευμέ
 νων με\n δεδομένα από διάφορες πηγές
 . Συγκεκριμένα, δημιουργούμε και ελέ
 γχουμε ένα σύνολο μετρήσεων καιρικών
  συνθηκών από μεγάλο πλήθος σταθμών,
  ως πιο ενδεικτικό του τύπου δεδομέν
 ων στα οποία μπορούν να έχουν πρόσβα
 ση μικρότερες οργανώσεις ή επιμέρους
  άτομα. Προτεραιοποιούμε τη χρήση τέ
 τοιων μετρήσεων έναντι της χρήσης πι
 ο προσαρμοσμένων δεδομένων. Αξιοποιο
 ύμε το σύνολο δεδομένων μας για να ε
 κπαιδεύσουμε ένα πλήθος νευρωνικών δ
 ικτύων με διαφορετικές αρχιτεκτονικέ
 ς, και αξιολογούμε τα αποτελέσματά τ
 ους ώστε να θέσουμε ένα πρότυπο προς
  βελτίωση σε μελλοντικές εργασίες πο
 υ θα χρησιμοποιούν ένα παρόμοιο σύνο
 λο δεδομένων. Τα αποτελέσματα δείχνο
 υν ότι ακόμη και με ένα πολύ μεγαλύτ
 ερο/ευρύτερο σύνολο δεδομένων από όσ
 α έχουν χρησιμοποιηθεί ως τώρα, συγκ
 εκριμένες στοχευμένες υλοποιήσεις νε
 υρωνικών δικτύων μπορεί να είναι απο
 τελεσματικές στο συγκεκριμένο πρόβλη
 μα.\n Abstract \n In the past few ye
 ars, solar radiation prediction has 
 been paramount in a multitude of sec
 tors, from energy production via ren
 ewable energy sources, to tracking c
 limate change, among others. So far,
  work in the area lacks in large are
 a coverage, ease of access, or uses 
 past solar radiation readings, relyi
 ng on related equipment being alread
 y on-site. In this work, we provide 
 insight into the efficacy of neural 
 networks in the area, accompanied wi
 th data sourced from varying provide
 rs. In order to achieve this, we cre
 ate and vet a weather reading datase
 t from a large variety of stations, 
 which are more indicative of what sm
 aller organizations or individuals m
 ay have access to, instead of more t
 ailored datasets. We utilize this da
 taset to train a number of neural ne
 tworks, each with different architec
 tures, and evaluate their results so
  as to set a standard to be improved
  upon in later work utilizing a simi
 lar type of dataset. The results ind
 icate that, even utilizing a much br
 oader dataset than what has been use
 d in the past, neural networks show 
 promise in this area, especially wit
 h more targeted implementations.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250408T090000
DTEND:20250408T100000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR