Εμφάνιση απλής εγγραφής

Δίκτυα βαθιάς πίστης

dc.contributor.advisorΤσιχριντζής, Γεώργιος
dc.contributor.authorΡάμμος, Δημήτριος Χ.
dc.date.accessioned2014-09-30T08:10:13Z
dc.date.available2014-09-30T08:10:13Z
dc.date.issued2014-09-30T08:10:13Z
dc.identifier.urihttps://dione.lib.unipi.gr/xmlui/handle/unipi/6040
dc.description.abstractΤα deep belief networks είναι ένας νέος τομέας στην επιστήμη της πληροφορικής, ο οποίος έχει αναπτυχθεί αρκετά τα τελευταία χρόνια και συνεχίζει να αναπτύσσετε σταδιακά με ραγδαία, σημαντικά, καινοτόμα και πολύ χρήσιμα αποτελέσματα για τους επιστήμονες. Εκτός από τον κλάδο της πληροφορικής έχει αντίκτυπο και σε άλλους κλάδους όπως αυτός της ιατρικής, της μόρφωσης, των τεχνών και γενικώς ολόκληρης της καθημερινότητας μας. Η σωστή αξιοποίηση των αποτελεσμάτων αυτών βοηθά όλους τους κλάδους να αναπτυχθούν, να βελτιωθούν και να προοδεύσουν. Αυτή η διπλωματική διατριβή μπορεί να απαντήσει σε βάθος στα ακόλουθα ερωτήματα. Τι είναι η αναγνώριση προτύπου; Γιατί είναι σημαντική και ποιες είναι οι χρήσης της αναγνώρισης προτύπου; Ποιες οι διαφορές μεταξύ των 3 κατηγοριών μάθησης (learning). Supervised, Unsupervised και Semi-supervised learning. Τι είναι τα deep belief networks; Ποιες είναι οι ιδιότητες τους; Τι είναι τα modular deep belief networks; Ποιος είναι ο τρόπος λειτουργίας τους, τι σκοπούς εξυπηρετούν και ποιες οι διαφορές τους σε σχέση με τα απλά deep belief networks;
dc.language.isoel
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.el
dc.subjectNeural computers (Computer science)
dc.subjectComputational complexity
dc.subjectMachine learning
dc.titleΔίκτυα βαθιάς πίστης
dc.title.alternativeDeep belief networksen
dc.typeMaster Thesis
europeana.isShownAthttps://dione.lib.unipi.gr/xmlui/handle/unipi/6040
dc.identifier.call006.3 ΡΑΜ
dc.description.abstractENFirstly, this thesis is provided a general introduction on the pattern recognition and its evolution through time and are mentioned most of the areas (character recognition, computer - aided diagnosis, data mining, etc) in which the results of pattern recognition have brought great progress or are able to bring in the future. It is also analyzed the categories of learning, such as supervised, unsupervised and semi-supervised learning, as well as the educational methods used by each of these methods. In the second chapter, in which it is entered the main part of the thesis it is tried to make the reader understand the meaning of deep belief networks and their use, giving some specific definitions and analyzing their properties. In the last chapter, it is analyzed another separate category of deep belief networks, the so-called modular deep belief networks which are able not to forget features, elements and data that have been taught in the past without having losses when new data is entered in place the previous ones. It is analyzed the operation of these networks compared to simple deep belief networks and through some experiments that have been conducted and some appropriate figures, so that the reader has the opportunity to understand their meaning and function completely.


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Επικοινωνήστε μαζί μας
Στείλτε μας τα σχόλιά σας
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»