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:20250613T085102Z
LAST-MODIFIED:20250613T085102Z
DTSTAMP:20260723T014539Z
UID:1784760339@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Μιχαήλ Μαρκετάκη - 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=7760&cHash=ea
 093ebba5acce7b169cc84a21ebfe6f\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Μι
 χαήλ Μαρκετάκη\n με θέμα\n Μηχανή Συ
 νδυαστικής Μηχανικής Μάθησης με χρήσ
 η Kafka και Kafka Streams Mικροϋπηρε
 σιών \n An Ensemble Learning Engine 
 with Kafka and Kafka Streams Microse
 rvices\n Εξεταστική Επιτροπή\n Επίκο
 υρος Καθηγητής Νικόλαος Γιατράκος (ε
 πιβλέπων)\n Αναπληρωτής Καθηγητής Βα
 σίλειος Σαμολαδάς\n Καθηγητής Θρασύβ
 ουλος Σπυρόπουλος\n Περίληψη\n Η παρ
 ούσα διπλωματική εργασία παρουσιάζει
  το ELaaMS (Ensemble Learning as a M
 icroservice), μια αρχιτεκτονική μικρ
 οϋπηρεσιών καθοδηγούμενη από γεγονότ
 α, σχεδιασμένη για την παροχή αξιόπι
 στων, συνδυαστικών προβλέψεων σε πρα
 γματικό χρόνο, από πολλαπλά μοντέλα 
 μηχανικής μάθησης ροής που εκτελούντ
 αι παράλληλα. Η αρχιτεκτονική είναι 
 βασισμένη στην πλατφόρμα Apache Kafk
 a και Kafka Streams. Στο πλαίσιο του
  ELaaMS, κάθε μοντέλο μηχανικής μάθη
 σης εκτελείται ως μια ανεξάρτητη εφα
 ρμογή Kafka Streams, καταναλώνει δεδ
 ομένα ροής, εκπαιδεύεται επαυξητικά 
 με τη χρήση της βιβλιοθήκης Massive 
 Online Analysis (MOA) και δημοσιεύει
  προβλέψεις σε πραγματικό χρόνο. Μια
  υπηρεσία συγκέντρωσης συνόλου συνδυ
 άζει δυναμικά αυτές τις εξόδους, εφα
 ρμόζοντας πλειοψηφική ψηφοφορία για 
 προβλήματα ταξινόμησης και απλό μέσο
  όρο για προβλήματα παλινδρόμησης. Π
 αράλληλα, ένας ενσωματωμένος κατάλογ
 ος αλγορίθμων μηχανικής μάθησης ροής
  καθιστά το σύστημα άμεσα αξιοποιήσι
 μο και εύκολα επεκτάσιμο, μέσω της ε
 νσωμάτωσης νέων αλγορίθμων και μεθόδ
 ων. Η αρχιτεκτονική είναι σχεδιασμέν
 η ώστε να υποστηρίζει ισχυρή κλιμακω
 σιμότητα. Η Οριζόντια κλιμακωσιμότητ
 α επιτυγχάνεται αξιοποιώντας την ικα
 νότητα του Kafka να κατανέμει τον φό
 ρτο εργασίας σε επιπλέον instances τ
 ης εφαρμογής, αυξάνοντας έτσι τη συν
 ολική επεξεργαστική ικανότητα και τη
 ν απόδοση. Η Κάθετη κλιμακωσιμότητα 
 ορίζεται ως η ικανότητα κλιμάκωσης τ
 ου υπολογισμού ανάλογα με τον αριθμό
  των επεξεργαζόμενων ροών δεδομένων.
 \n Abstract \n This thesis introduce
 s ELaaMS (Ensemble Learning as a Mic
 roService), an event-driven microser
 vice architecture designed to delive
 r robust, real-time ensemble predict
 ions from multiple streaming machine
 -learning models running concurrentl
 y, built on top of Apache Kafka and 
 Kafka Streams. Within ELaaMS, each l
 earner runs as an independent Kafka 
 Streams application that consumes st
 reaming data, trains incrementally w
 ith the Massive Online Analysis (MOA
 ) library, and publishes live predic
 tions. A lightweight ensemble aggreg
 ator service fuses these outputs on 
 the fly—applying majority voting for
  classifi cation and simple averagin
 g for regression tasks —while a buil
 t-in catalog of streaming machine le
 arning algorithms makes the system u
 sable out of the box and readily ext
 ensi ble through the integration of 
 new algorithms and methods. This arc
 hitecture is designed to support rob
 ust scalability. Horizontal scalabil
 ity is achieved by leveraging Kafka’
 s ca pability to distribute the work
 load across additional instances of 
 the application, thereby increasing 
 overall processing capacity and thro
 ughput. Vertical scalability is the 
 ability to scale the computation wit
 h the number of processed streams.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250617T110000
DTEND:20250617T120000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR