Unsupervised AutoML: a study on automated machine learning in the context of clustering
| dc.contributor.advisor | Δουλκερίδης, Χρήστος | |
| dc.contributor.advisor | Doulkeridis, Christos | |
| dc.contributor.author | Πουλάκης, Γιάννης | |
| dc.contributor.author | Poulakis, Giannis | |
| dc.date.accessioned | 2020-03-11T09:14:36Z | |
| dc.date.available | 2020-03-11T09:14:36Z | |
| dc.date.issued | 2020 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12654 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/77 | |
| dc.description.abstract | Η μοντελοποίηση μεθόδων και διεργασιών Μηχανικής Μάθησης, είναι μια διαδικασία η οποία είναι υπολογιστικά ακριβή, προϋποθέτει τεχνογνωσία στο τομέα της επιστήμης των Δεδομένων και πολλές φορές γνώση του τομέα του προβλήματος το οποίο εξετάζεται. Για την αντιμετώπιση των προαναφερθέντων δυσκολιών, αναπτύχθηκε ένας τομέας έρευνας γνωστός ως Automated Machine Learning (AutoML) ο οποίος αποσκοπεί στην αυτοματοποίηση της διαδικασίας μοντελοποίησης. Διάφορα συστήματα έχουν διαμορφωθεί τα τελευταία χρόνια με σκοπό την επίλυση αυτού, τα οποία όμως εστιάζουν σε προβλήματα επιβλεπόμενης μάθησης. Αντίθετα, η αυτοματοποιημένη μοντελοποίηση τεχνικών μη-επιβλεπόμενης Μηχανικής Μάθησης παραμένει ένας κλάδος σχετικώς ανεξερεύνητος και αποτελεί τον κύριο στόχο της παρούσας εργασίας. Συγκεκριμένα εξετάζεται η αυτοματοποίηση επιλογής μεθόδων τεχνικών συσταδοποίησης με σύγχρονες τεχνικές όπως Meta-Learning και Bayesian Optimization. | el |
| dc.format.extent | 61 | 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 | Unsupervised AutoML: a study on automated machine learning in the context of clustering | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The modelling of end-to-end Machine Learning processes and methods is not only computationally intensive, but also requires expertise in Data Science and often domain knowledge of the problem. To overcome this adversity, a relatively new field of research has emerged called Automated Machine Learning (AutoML). The main focus of the domain is to discover an automated way to build Machine Learning pipelines given a Machine Learning task and an input data set. While all AutoML systems currently focus on the task of supervised learning, unsupervised learning remains an unexplored and unsolved problem. This thesis aims to provide solutions for automating Machine Learning specifically for the case of unsupervised learning (clustering), in a domain-agnostic manner. This is achieved through a combination of state-of-the-art processes based on Meta Learning for Algorithm Selection and Bayesian Optimization for hyperparameter tuning. Experimentation results on real life datasets provide enough evidence that clustering is a process that can be fully automated. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Clustering | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Automated machine learning (AutoML) | el |
| dc.date.defense | 2020-02-27 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές