dc.contributor.advisor | Sotiropoulos, Dionisios | |
dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
dc.contributor.author | Bozikis, Konstantinos | |
dc.contributor.author | Μποζίκης, Κωνσταντίνος | |
dc.date.accessioned | 2022-06-23T06:38:19Z | |
dc.date.available | 2022-06-23T06:38:19Z | |
dc.date.issued | 2022-05 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14411 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1834 | |
dc.description.abstract | Καθώς η επιστήμη της Μηχανικής Εκμάθησης εξελίσσεται, η ανάγκη για ανάπτυξη μοντέλων που μιμούνται την ανθρώπινη κρίση αυξάνεται. Ένα κομμάτι επάνω στο οποίο εστιάζουν πολυάριθμες έρευνες είναι η ανάλυση οπτικών σημάτων με στόχο την εξαγωγή συμπερασμάτων σύμφωνων με την ανθρώπινη λογική. Στην παρούσα διατριβή αναλύεται η πρόβλεψη της ελκυστικότητας ενός προσώπου με τη χρήση Συνελικτικών Νευρωνικών Δικτύων και εξετάζεται η επιρροή που μπορεί να έχουν μεροληπτικά δεδομένα κατά τη διαδικασία της εκπαίδευσης. Για το σκοπό αυτό, αναπτύχθηκαν πολλαπλά μοντέλα με διαφοροποιήσεις στα δεδομένα εκπαίδευσης και αναλύθηκαν τα αποτελέσματα με γνώμονα τις διαφορές αυτές. Σύμφωνα με τα αποτελέσματα της μελέτης, γίνεται φανερό ότι η εκπαίδευση μοντέλων με χρήση μεροληπτικών δεδομένων δύναται να αποφέρει μη αξιόπιστα αποτελέσματα και να οδηγήσει σε εσφαλμένα συμπεράσματα. | el |
dc.format.extent | 54 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
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 | Predicting facial beauty with convolutional neural networks | el |
dc.title.alternative | Πρόβλεψη ελκυστικότητας προσώπου με χρήση συνελικτικών νευρωνικών δικτύων | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | As the science of Machine Learning evolves, the need to develop models that mimic the human crisis increases. One area on which many researchers focus is the analysis of optical signals with the aim of drawing conclusions in accordance with human logic, with the most important tool for this analysis being Convolutional Neural Networks. The subject of this dissertation is the prediction of facial beauty using Convolutional Neural Networks and the impact that discriminatory training data may have on the extracted predictions. For this purpose, multiple models were developed with differences in the training data and the results were analyzed based on the introduced bias in each case. According to the results of the study, it becomes clear that model training using biased data can yield unreliable results and lead to erroneous conclusions. | el |
dc.contributor.master | Πληροφορική | el |
dc.subject.keyword | Machine learning | el |
dc.subject.keyword | Convolutional neural network | el |
dc.date.defense | 2022-05-18 | |