Ενεργή μάθηση με μηχανές διανυσμάτων στήριξης
| dc.contributor.advisor | Τελέλης, Ορέστης | |
| dc.contributor.author | Καβακάκης, Εμμανουήλ | |
| dc.date.accessioned | 2018-11-05T09:36:04Z | |
| dc.date.available | 2018-11-05T09:36:04Z | |
| dc.date.issued | 2018-11 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/11510 | |
| dc.description.abstract | Στον 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.extent | 59 | 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 | Ενεργή μάθηση με μηχανές διανυσμάτων στήριξης | el |
| dc.title.alternative | Active learning with support vector machines | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | In 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.master | Ψηφιακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Active learning | el |
| dc.subject.keyword | Support Vector Machines (SVM) | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Supervised learning | el |
| dc.date.defense | 2018-10-23 |
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