Show simple item record

Ενεργή μάθηση με μηχανές διανυσμάτων στήριξης

dc.contributor.advisorΤελέλης, Ορέστης
dc.contributor.authorΚαβακάκης, Εμμανουήλ
dc.date.accessioned2018-11-05T09:36:04Z
dc.date.available2018-11-05T09:36:04Z
dc.date.issued2018-11
dc.identifier.urihttp://dione.lib.unipi.gr/xmlui/handle/unipi/11510
dc.description.abstractΣτον τομέα της Μηχανικής Μάθησης όλες οι μέθοδοι εκμάθησης απαιτούν την ύπαρξη μίας σημαντικής ποσότητας κατηγοριοποιημένων δεδομένων προκειμένου οποιοδήποτε μοντέλο να εκπαιδευτεί σωστά. Στον σημερινό κόσμο του Διαδικτύου (Internet of Things) και των Μεγάλων Δεδομένων, όπου όλα ελέγχονται και παρακολουθούνται από εφαρμογές λογισμικού, τα μη κατηγοριοποιημένα δεδομένα αποκτώνται πολύ εύκολα καθώς παράγονται συνεχώς. Ωστόσο, η διαδικασία εύρεσης και σχολιασμού της αληθούς κλάσης στις περιπτώσεις αυτών των δεδομένων, απαιτεί συχνά περισσότερη προσπάθεια και χρόνο από την πραγματική εκπαίδευση του μοντέλου. Η ενεργή μάθηση στοχεύει στην αντιμετώπιση αυτού του προβλήματος επιτρέποντας στους αλγόριθμους μηχανικής μάθησης να αποδίδουν εξίσου καλά χωρίς να βασίζονται στην ύπαρξη τεράστιων συνόλων κατηγοριοποιημένων δεδομένων. Για να επιτευχθεί αυτό, ένας αλγόριθμος ενεργής μάθησης επιτρέπεται να ερωτά έναν ‘προφήτη’ (συνήθως έναν άνθρωπο εμπειρογνώμονα) για την αληθινή κατηγορία ενός μη επισημασμένου παραδείγματος εκπαίδευσης. Υπάρχουν ποικίλες διαφορετικές στρατηγικές καθώς και σενάρια εκμάθησης που μπορούν να ακολουθηθούν για αυτή την αλληλεπίδραση, τα οποία θα παρουσιαστούν σε επόμενα τμήματα αυτής της διπλωματικής εργασίας. Οι αλγόριθμοι ενεργής μάθησης είναι ουσιαστικά μετα-αλγόριθμοι που περιβάλλουν τις παραδοσιακές μεθόδους μάθησης όπως οι Μηχανές Διανυσμάτων Υποστήριξης (SVM), η λογιστική παλινδρόμηση κλπ.. Εκτός από το θέμα της ενεργής μάθησης, αυτή η εργασία προσφέρει μια περίληψη της θεωρίας πίσω από τις Μηχανές Διανυσμάτων Υποστήριξης και προσπαθεί να παρουσιάσει τις διάφορες ενεργητικές μεθόδους μάθησης που συνδυάζουν αυτούς τους δύο τομείς της Μηχανικής Μάθησης.el
dc.format.extent59el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleΕνεργή μάθηση με μηχανές διανυσμάτων στήριξηςel
dc.title.alternativeActive learning with support vector machinesel
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτωνel
dc.description.abstractENIn the field of Machine Learning all learning methods require a substantial amount of labeled data in order for the model to be properly fitted. In today’s world of IoT (Internet of Things) and Big Data, where everything is controlled and monitored by software applications, unlabeled data are very easily acquired as they are continuously generated. However, the process of finding and annotating the true class to those dataset’s instances, often requires more effort and time than the actual training of the model. Active learning aims to tackle this problem by enabling machine learning algorithms to perform equally well without reliance on the existence of huge training datasets. To accomplish this, an active learning algorithm is allowed to query an oracle (usually a human expert) for the true label of an unlabeled training example. There are a number of different strategies as well as learning scenarios that can be followed for this interaction which will be presented in later sections of this report. Active learning algorithms are basically wrapping around traditional supervised learning methods such as Support Vector Machines (SVMs), Logistic Regression etc. Apart from the topic of Active Learning, this report offers a walkthrough of the theory behind Support Vector Machines and tries to present the various researched methods that combine these two topics.el
dc.contributor.masterΨηφιακά Συστήματα και Υπηρεσίεςel
dc.subject.keywordActive learningel
dc.subject.keywordSupport Vector Machines (SVM)el
dc.subject.keywordMachine learningel
dc.subject.keywordSupervised learningel
dc.date.defense2018-10-23


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Contact Us
Send Feedback
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»