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)
