Μέθοδοι σταδιακής μάθησης σε Τεχνητά Νευρωνικά Δίκτυα

View/ Open
Keywords
Incremental learning ; Τεχνητά νευρωνικά δίκτυαAbstract
Για την σωστή εφαρμογή ενός συστήματος ΒΙ σε έναν οργανισμό, είναι αναγκαία γνώση η οποία αποκτάται από ένα τέτοιο σύστημα να είναι διαθέσιμη άμεσα στους χρήστες που την χρειάζονται. Ένα από τα υποσυστήματα του BI που τελευταία έχει γίνει απαραίτητο σε πολλούς οργανισμούς είναι η εξόρυξη δεδομένων. Σχεδόν όλοι οι οργανισμοί εκτός από τα δεδομένα που έρχονται με μεγάλα χρονικά διαστήματα και δεν απαιτείται άμεση πρόσβαση στα νέα αυτά δεδομένα από το σύστημα BI, έχουν και ροές δεδομένων όπου τις περισσότερες φορές απαιτείται να είναι άμεσα διαθέσιμα για την λήψη μια απόφασης ή μιας διορθωτικής ενέργειας. Ειδικά για την εξόρυξη γνώσης η επεξεργασία σε αυτά τα δεδομένα είναι αυτή που χρειάζεται την περισσότερη προσοχή. Στην εργασία αυτή εξετάζουμε τα τεχνητά νευρωνικά δίκτυα και τους τρόπους με τους οποίους μπορούμε να επιτύχουμε την εκπαίδευσή τους με ροές δεδομένων.
Σκοπός της εργασίας είναι η αξιοποίηση της εξόρυξης γνώσης και συγκεκριμένα των τεχνιτών νευρωνικών δικτύων σε ροές δεδομένων. Αρχικά θα ορίσουμε τις απαιτήσεις ενός νευρωνικού δικτύου το οποίο θα πρέπει να εκπαιδεύεται σε ροές δεδομένων προοδευτικά, είτε με την λήψη των δεδομένων είτε ανά περιόδους, χωρίς την απώλεια της προηγούμενης γνώσης και χωρίς να απαιτείται η επανεκπαίδευση ολόκληρου του μοντέλου. Θα παρουσιάσουμε τα πιο διαδεδομένα τεχνητά νευρωνικά δίκτυα τα οποία υποστηρίζουν προοδευτική εκπαίδευση, τα νευρωνικά δίκτυα αυτά είναι Fuzzy ARTMAP, TopoART και Learn++. Τέλος θα παρουσιάσουμε την ποιο σύγχρονη τεχνική μηχανικής μάθησης που εφαρμόζει εξελικτικούς αλγόριθμους για την κατασκευή τεχνητών νευρωνικών δικτύων που είναι η Neuroevolution.