dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
dc.contributor.author | Σκουμπουρδής, Φώτιος | |
dc.date.accessioned | 2021-04-06T08:53:35Z | |
dc.date.available | 2021-04-06T08:53:35Z | |
dc.date.issued | 2021-03 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13375 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/798 | |
dc.description.abstract | Στην παρούσα πτυχιακή εργασία γίνεται μία ευρεία περιγραφή των τεχνητών νευρωνικών δικτύων, έναν επιστημονικό κλάδο που έχει βρεί μεγάλη ανάπτυξη τα τελευταία χρόνια. Η θεματολογία υπάγεται στην περιοχή της Τεχνητής Νοημοσύνης, η οποία μπορεί να επιλύσει πολλά προβλήματα διαφόρων κλάδων όπως είναι η υγεία, η οικονομία, η μετεωτολογία, η αναγνώριση προτύπων και οι συγκοινωνίες.
και αναμένεται να παίξει καθοριστικό ρόλο στην τεχνολογία του μέλλοντος. Τεχνητή Νοημοσύνη είναι η δημιουργία μηχανών οι οποίες να μιμούνται την ανθρώπινη συμπεριφορά. Στην παρούσα εργασία παρουσιάζεται η χρήση των νευρωνικών δικτύων για το πρόβλημα της διάσχισης των λαβυρίνθων.
Ειδικότερα :
Το πρώτο κεφάλαιο περιγράφει τους βιολογικούς νευρώνες και τα βιολογικά νευρωνικά δίκτυα. Αυτό είναι σημαντικό γιατί τα τεχνητά νευρωνικά δίκτυα έχουν βιολογική έμπνευση.
Το δεύτερο κεφάλαιο περιλαμβάνει μία εκτενή ανάλυση του τεχνητού νευρώνα, των τεχνητών νευρωνικών δικτύων. Επίσης αναλύει τις ομοιότητες, και τις διαφορές, μεταξύ των τεχνητών νευρωνικών δικτύων και βιολογικών νευρωνικών δικτύων και παρουσιάζει τα πλεονεκτήματα και τα μειονεκτήματα την τεχνητών νευρωνικών δικτύων.
Το τρίτο κεφάλαιο περιγράφει την διαδικασία της εκπαίδευσης των τεχνητών νευρωνικών δικτύων με τον αλγόριθμο της οπισθοδιάδοσης.
Το τέταρτο κεφάλαιο περιγράφει τη διάσχιση ενός λαβυρίνθου με την χρήση τεχνητού νευρωνικού δικτύου.Το πέμπτο κεφάλαιο περιγράφει τομείς στους οποίους τα τεχνητά νευρωνικά δίκτυα έχουν βρεί μεγάλη εφαρμογή. | el |
dc.format.extent | 118 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Διάσχιση λαβυρίνθου με την χρήση τεχνητών νευρωνικών δικτύων | el |
dc.title.alternative | Maze solving with artificial neural networks | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | This dissertation provides a broad description of artificial neural networks, a science that has grown significantly in recent years. The topics fall under the area of Artificial Intelligence, which can find solutions to many problems in various fields such as health, economics, meteorology, pattern recognition and transportation. and is expected to play a key role in the technology of the future. Artificial Intelligence is the creation of machines that mimic human behavior. This paper presents the use of neural networks for the problem of labyrinth crossing.
Particularly :
The first chapter describes biological neurons and biological neural networks. This is important because artificial neural networks are biologically inspired.
The second chapter includes an extensive analysis of the artificial neuron, the artificial neural networks. It also analyzes the similarities, and differences, between artificial neural networks and biological neural networks and presents the advantages and disadvantages of artificial neural networks.
The third chapter describes the process of training artificial neural networks with the regression propagation algorithm.
The fourth chapter describes the crossing of a maze using an artificial neural network.
The fifth chapter describes areas in which artificial neural networks have found great application. | el |
dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
dc.subject.keyword | Τεχνητά νευρωνικά δίκτυα | el |
dc.subject.keyword | Αλγόριθμος της οπισθοδιάδοσης | el |
dc.subject.keyword | Εφαρμογές τεχνητών νευρωνικών δικτύων | el |
dc.date.defense | 2021-03 | |