Αντικείμενο της πτυχιακής εργασίας είναι η παρουσίαση, η μελέτη και η ανάλυση του επιστημονικού πεδίου των συνελικτικών νευρωνικών δικτύων στο ευρύτερο πλαίσιο της τεχνητής νοημοσύνης και της μηχανικής μάθησης.
Ειδικότερος στόχος της εργασίας είναι το παρεχόμενο υλικό να είναι κατανοητό για εκπαιδευτικούς σκοπούς. Ιδιαίτερη προσπάθεια δόθηκε ώστε η δομή και η διάρθρωση του υλικού να είναι σεμιναριακού τύπου με πολλές επεξηγηματικές εικόνες και ενδεικτικά παραδείγματα.
Τα συνελικτικά νευρωνικά δίκτυα είναι ιδιαίτερα χρήσιμα για την ταξινόμηση και την αναγνώριση εικόνας. Αποτελούνται από δύο κύρια μέρη: ένα σύστημα εξαγωγής χαρακτηριστικών και ένα σύστημα ταξινόμησης. Η κύρια εξειδικευμένη τεχνική στα ΣΝΔ είναι η συνέλιξη, όπου ένα φίλτρο ολισθαίνει πάνω από την είσοδο και συγχωνεύει την τιμή εισόδου με την τιμή φίλτρου στον χάρτη χαρακτηριστικών. Τελικός στόχος μας είναι να τροφοδοτήσουμε με νέες εικόνες το ΣΝΔ ώστε να μπορεί να δώσει μια πρόβλεψη με πιθανότητα για το αντικείμενο που πιστεύει ότι βλέπει στην εικόνα και να το περιγράψει με κείμενο.
Η υλοποίηση των ΣΝΔ πραγματοποιείται σε ηλεκτρονικούς υπολογιστές κατά προτίμηση με κατάλληλο εξοπλισμό και σε γλώσσες προγραμματισμού που διαθέτουν ισχυρές μαθηματικές βιβλιοθήκες. Στην πτυχιακή χρησιμοποιείται η γλώσσα προγραμματισμού Python με τις βιβλιοθήκες Numpy και Keras για την εκπαίδευση υποδειγματικού συνελικτικού νευρωνικού δικτύου.
H εργασία απαρτίζεται από τρια κεφάλαια. Το πρώτο κεφάλαιο αφόρα το θεωρητικό υπόβαθρο της τεχνητής νοημοσύνης, της μηχανικής μάθησης και των νευρωνικών δικτύων. Στο δεύτερο εμβαθύνουμε στα συνελικτικά νευρωνικά δίκτυα, στην αρχιτεκτονική τους, τις μεθόδους αναγνώρισης εικόνας και τις διαδικασίες εκπαίδευσης τους, αναλυτικά. Στο τελευταίο κεφάλαιο υλοποιούμε ένα μοντέλο συνελικτικού δικτύου.
TEI of West Macedonia
