Μελέτη και πειραματική εκτίμηση των διαφόρων προσεγγίσεων βαθιάς μάθησης και σουίτες λογισμικού

 
Το τεκμήριο παρέχεται από τον φορέα :

Αποθετήριο :
Πέργαμος
δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
κοινοποιήστε το τεκμήριο




2015 (EL)
Μελέτη και πειραματική εκτίμηση των διαφόρων προσεγγίσεων βαθιάς μάθησης και σουίτες λογισμικού

Γιούλης Απόστολος (EL)

Η παρούσα εργασία έχει ως αντικείμενο την μελέτη του ανερχόμενου πεδίου μηχανικής μάθησης γνωστό και ως Βαθιά Μάθηση (Deep Learning DL). Η εργασία έχει επικεντρωθεί στην ανάλυση και μελέτη των παρακάτω αλληλένδετων υπο-κεφαλαίων του πεδίου: • Στην ανάλυση μεθόδων μάθησης που χρησιμοποιούνται για την εκπαίδευση μοντέλων Deep Learning, δηλαδή της επιβλεπόμενης, μη-επιβλεπόμενης και υβριδικής μάθησης, (με έμφαση στην επιβλεπόμενη μάθηση). Ιδιαίτερη έμφαση έχει δοθεί και στην παρουσίαση του αλγορίθμου της Οπισθοδρομικής Διάδοσης Σφάλματος, ο οποίος αποτελεί ακρογωνιαία λίθο των περισσότερων εκ των υπάρχοντών τεχνικών μάθησης. Έμφαση έχει δοθεί επίσης και στις δυσκολίες που παρουσιάζονται κατά την εκπαίδευση μοντέλων DL καθώς και σε διάφορες τεχνικές αντιμετώπισης τους. • Στην παρουσίαση και ανάλυση πολλαπλών μοντέλων (νευρωνικών δικτύων) που χρησιμοποιούνται στα πλαίσια της βαθιάς μάθησης. • Στην παρουσίαση των βασικών χαρακτηριστικών, των πιο αξιόλογων και ολοκληρωμένων λύσεων λογισμικού που έχει να προσφέρει η βιομηχανία. Τέλος στο πρακτικό τμήμα της πτυχιακής έχουν κατασκευαστεί μοντέλα Βαθιάς Μάθησης τόσο με χρήση της γλώσσας προγραμματισμού Python όσο και με χρήση μερικών εκ των παρουσιασμένων λύσεων λογισμικού. (EL)
The following paper’s main goal is to study the up-and-coming, machine learning field of Deep Learning. The main focus was to analyze and study the following interrelated chapters of the field: • Analysis of the learning methods, supervised, unsupervised and hybrid learning, used while training deep learning models. Emphasis was laid on presenting the Back-Propagation algorithm, the cornerstone of most of the available training methods. Emphasis was also placed on presenting the difficulties that may occur while training a deep learning model, as well as some of the available solutions. • Presentation and analysis of many of the available models (neural networks) used in modern deep learning applications • Presentation of the main features of the available deep learning software suites. Lastly, for the practical section of the study, there has been a construction of deep learning models, with the use of python as the chosen programming language, as well as with the use of some of the software solutions presented in the theoretical part. (EN)

born_digital_graduate_thesis
Πτυχιακή Εργασία (EL)
Graduate Thesis (EN)


Ελληνική γλώσσα

2015




*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.