Principles of machine learning - Random forests and applications

This item is provided by the institution :
/aggregator-openarchives/portal/institutions/uoa   

Repository :
Pergamos Digital Library   

see the original item page
in the repository's web site and access all digital files if the item*



Principles of machine learning - Random forests and applications

ΔΕΣΙΠΡΗ ΑΡΕΤΗ ΔΕΣΠΟΙΝΑ (EL)
ΔΕΣΙΠΡΗ ΑΡΕΤΗ ΔΕΣΠΟΙΝΑ (EN)

born_digital_postgraduate_thesis
Διπλωματική Εργασία (EL)
Postgraduate Thesis (EN)

2021


Αυτή η μεταπτυχιακή εργασία εμπεριέχει μια σύντομη εισαγωγή στη θεωρία μηχανικής μάθησης (από μία στατιστική προοπτική), η οποία προσφέρει αυτοματοποιημένες διαδικασίες για την πρόβλεψη ενός φαινομένου βασισμένη σε παρελθοντικές παρατηρήσεις. Τονίζονται οι ομοιότητες και οι διαφορές μεταξύ των παραδοσιακών μοντέλων παλινδρόμησης και εκείνων της μηχανικής μάθησης και δίνονται παραδείγματα σε προσομοιωμένα και πραγματικά δεδομένα. Από τις μεθόδους μηχανικής μάθησης, πέρα από την παλινδρόμηση, αυτή η διπλωματική αναφερει τις μεθόδους που έχουν ως βάση τους τα δένδρα και επικεντρώνεται στα δένδρα αποφάσεων και στις ensemble methods. Οι τελευταίες, συνδυάζουν μερικά βασικά μοντέλα με σκοπό να παράξουν ένα βέλτιστο μοντέλο πρόβλεψης. Από τις ensemble μεθόδους επικεντρωνόμαστε στα τυχαία δάση αντιμετωπίζοντας προβλήματα όπως η υπολογιστική επίδοση και η δυνατότητα κλιμάκωσης μαζί με μια συζήτηση αναφορικά με τις διαδικασίες εφαρμογής τους. Επίσης δίνονται και κάποιες εφαρμογές. (EL)
This master thesis gives a brief introduction to the machine learning theory (from a statistics perspective), which offers automated procedures for the prediction of a phenomenon based on past observations. The similarities and the differences between traditional regression methods and machine learning ones are highlighted and examples are given on simulated and real data sets. From the machine learning methods, besides regression, this dissertation addresses the tree-based methods and focuses on decision trees and also on ensemble methods. The latter, combine several base models in order to produce one optimal predictive model. From the ensemble methods we focus on random forests dealing with issues such as computational performance and scalability, along with a discussion of their implementation procedures. Some applications are also given. (EN)

Θετικές Επιστήμες

Θετικές Επιστήμες (EL)
Science (EN)

English

Σχολή Θετικών Επιστημών » Τμήμα Μαθηματικών » ΠΜΣ Μαθηματικά » Κατεύθυνση Στατιστική και Επιχειρησιακή Έρευνα
Βιβλιοθήκη και Κέντρο Πληροφόρησης » Βιβλιοθήκη Σχολής Θετικών Επιστημών

https://creativecommons.org/licenses/by-nc/4.0/




*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)