δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
Principles of machine learning - Random forests and applications
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)
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Principles of machine learning - Random forests and applications
Principles of machine learning - Random forests and applications
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
