Η παρούσα πτυχιακή εργασία αποτελεί μια βιβλιογραφική ανασκόπηση του σύγχρονου επιστημονικού τομέα των Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ). Στα δύο πρώτα κεφάλαια ο συγγραφέας παρουσιάζει τους επιστημονικούς κλάδους της Μηχανικής Μάθησης και των Τεχνητών Νευρωνικών Δικτύων . Στην συνέχεια, επικεντρώνεται στην παράθεση βασικών εννοιών των Τεχνητών Νευρωνικών Δικτύων, όπως η δομή ,η λειτουργία και η αρχιτεκτονική τους. Επίσης, καταγράφει την συσχέτιση μεταξύ βιολογικών και τεχνητών νευρωνικών δικτύων. Ακόμα, παραθέτει διάφορους επιστημονικούς τομείς στους οποίους τα Τεχνητά Νευρωνικά Δίκτυα χρησιμοποιούνται,αναφέροντας πληθώρα χρήσιμων εφαρμογών τους. Στο τρίτο κεφάλαιο αναλύεται η διαχρονική εξέλιξη ενός από τα πρώτα Τεχνητά Νευρωνικά δίκτυα που ανακαλύφθηκαν το λεγόμενο δίκτυο Perceptron. Στο δίκτυο Perceptron επισημαίνονται οι διαφορές μεταξύ του απλού και του μεταγενέστερου πολυεπίπεδου μοντέλου. Επιπρόσθετα, το κείμενο πραγματεύεται τις διαδικασίες μάθησης των Τεχνητών Νευρωνικών Δικτύων, δίνοντας ιδιαίτερη έμφαση στον αλγόριθμο εκπαίδευσης Back-Propagation. Στο τέταρτο κεφάλαιο, παρουσιάζονται διάφορα ειδικά θέματα της εκπαίδευσης των Τεχνητών Νευρωνικών Δικτύων ,όπως η ικανότητα γενίκευσης που αναπτύσουν, το ζήτημα της υπερπροσαρμογής και η διαδικασία της κανονικοποίησης. Κλείνοντας, στο πέμπτο κεφάλαιο παρατίθεται ένα παράδειγμα ταξινόμησης δεδομένων με την χρήση ενός Τεχνητού Νευρωνικού Δικτύου και συγκεκριμένα μέσω της εφαρμογής Rapindminer.
University of the Aegena
