Αυτοματοποιημένη μηχανική μάθηση για προβλήματα συσταδοποίησης

Abstract

Η αύξηση των διαθέσιμων δεδομένων και της διαθέσιμη υπολογιστικής ισχύος, οδηγεί στην αναγνώριση της αξίας των εφαρμογών μηχανικής μάθησης σε πολλά πεδία επιστημών κι εφαρμογών. Η γνώση αξιοποίησης εργαλείων της επιστήμης δεδομένων και της μηχανικής μάθησης, καθιστά πολλές φορές δύσκολη την αξιοποίησή τους από ανθρώπους οι οποίοι δεν έχουν επαφή μαζί τους. Το πρόβλημα αυτό επιδιώκει να το λύσει η αυτοματοποιημένη μηχανική μάθηση, που στόχο έχει τη δημιουργία εργαλείων αυτοματισμού των διαδικασιών μηχανικής μάθησης, επιτρέποντας σε όλους να τα χρησιμοποιούν, χωρίς να έχουν το απαραίτητο γνωστικό υπόβαθρο. Στην παρούσα διπλωματική εργασία ασχολούμαστε με την αυτοματοποιημένη μηχανική μάθηση για προβλήματα συσταδοποίησης. Η συσταδοποίηση είναι ένα πρόβλημα μη εποπτευόμενης μηχανικής μάθησης, κάτι το οποίο σημαίνει ότι δεν υπάρχει εγγενώς γνώση εξωτερικής πληροφορίας για την αξιολόγηση των αποτελεσμάτων της. Στα πλαίσια λοιπόν της εργασίας χρησιμοποιήσαμε εργαλεία βαθιάς μηχανικής μάθησης και τεχνικές μετα-μάθησης για να λύσουμε το πρόβλημα της σύστασης βέλτιστου αλγορίθμου για ένα σύνολο δεδομένων και τεχνικές μπευζιανής βελτιστοποίησης για να βρούμε βέλτιστους συνδυασμούς υπερπαραμέτρων για τους επιλεχθέντες αλγορίθμους.