dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
dc.contributor.author | Θαλασσινού, Ιωάννα | |
dc.contributor.author | Thalassinou, Ioanna | |
dc.date.accessioned | 2019-02-27T11:06:33Z | |
dc.date.available | 2019-02-27T11:06:33Z | |
dc.date.issued | 2019 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/11877 | |
dc.description.abstract | H παρούσα εργασία μελετά την έννοια των Τεχνητών Νευρωνικών Δικτύων στον τομέα της Προβλεπτικής Αναλυτικής στην Ιατρική και στην Αναγνώριση Xειρόγραφων Ψηφίων. Το Τεχνητό Νευρικό Δίκτυο είναι ένα μαθηματικό μοντέλο, εμπνευσμένο από βιολογικά νευρωνικά δίκτυα, χρησιμοποιείται αποτελεσματικά για να μοντελοποιήσει πολύπλοκες σχέσεις μεταξύ σημάτων εισόδου και εξόδων. Για το μέρος που αφορά τη διάγνωση καρκίνου, το μοντέλο που επιλέχθηκε είναι ένα Perceptron πολλαπλών επιπέδων, αποτελούμενο από ένα κρυφό επίπεδο, εκπαιδευμένο με αλγόριθμο οπίσθιας διάδοσης. Τροφοδοτώντας το νευρωνικό με μετρήσεις χαρακτηριστικών από τον πυρήνα κυττάρων, που παρέχεται από το σύνολο δεδομένων για τον καρκίνο του μαστού του Wisconsin, το εκπαιδευμένο μοντέλο μπορεί να ταξινομήσει με ακρίβεια το περιστατικό μεταξύ καλοήθους και κακοήθους. Χρησιμοποιώντας διαφορετικούς συνδυασμούς των παραμέτρων και αλλάζοντας τις συναρτήσεις ενεργοποίησης, το μοντέλο πέτυχε 97,35% ακρίβεια, δείχνοντας ότι μπορεί να προσφέρει μια ισοδύναμη ή ακόμα καλύτερη εναλλακτική λύση συγκριτικά με την ανθρώπινη διάγνωση. Για το μέρος της εργασίας που αφορά στην αναγνώριση χειρόγραφων ψηφίων, το MLP που εκπαιδεύτηκε με αλγόριθμο οπίσθιας διάδοσης πέτυχε 93,9% ακρίβεια. Το αξιοσημείωτο είναι ότι το δίκτυο δυσκολεύτηκε να διακρίνει ψηφία που συγχέονται συχνά και από γυμνό μάτι. | el |
dc.format.extent | 51 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Artificial neural networks: an overview and applications | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | This dissertation describes the concept of Artificial Neural Networks for Cancer Prognosis and Handwritten Digits Recognition. Artificial Neural Networks inspired by biological neural networks, are efficiently used to model complex relationships between input signals and outputs. When analyzing the detection of cancer cells the model chosen is a Multi-Layer Perceptron, consisted of a variable number of hidden layers, trained using a back-propagation algorithm. Taking into consideration the characteristics of cell nucleus, provided by Breast Cancer Wisconsin dataset, the model can accurately classify the incident between benign and malignant. Using various different settings of parameters and activation functions our model achieved 97.35% accuracy, showing that it can provide an equivalent or even better alternative to human diagnosis. For the handwritten digits recognition task, the MLP trained using back-propagation algorithm achieved 93.9% accuracy. The noticeable is that the model is having difficulty to distinguish digits that often confused by naked eye. | el |
dc.contributor.master | Ψηφιακά Συστήματα και Υπηρεσίες | el |
dc.subject.keyword | Perceptron | el |
dc.subject.keyword | Backpropagation | el |
dc.subject.keyword | Breast cancer diagnosis | el |
dc.subject.keyword | Optical character recognition | el |
dc.subject.keyword | Artificial neural networks | el |
dc.subject.keyword | Neural networks | el |
dc.subject.keyword | Machine learning | el |
dc.date.defense | 2019-02-25 | |