Αυτοματοποιημένη μηχανική μάθηση για προβλήματα συσταδοποίησης
| dc.contributor.advisor | Δουλκερίδης, Χρήστος | |
| dc.contributor.author | Πετράτος, Δημήτριος | |
| dc.date.accessioned | 2023-03-24T10:10:22Z | |
| dc.date.available | 2023-03-24T10:10:22Z | |
| dc.date.issued | 2023-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15282 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2704 | |
| dc.description.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. | el |
| dc.format.extent | 54 | 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 | Αυτοματοποιημένη μηχανική μάθηση για προβλήματα συσταδοποίησης | el |
| dc.title.alternative | Automated machine learning for clustering problems | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The increasing availability of data and computational power, leads to the recognition of machine learning's value in many scientific and application fields. Utilization knowledge of data science's and machine learning's tools, often makes it difficult to non-experts when they want to use such tools. Automated machine learning aims to overcome this problem, by creating automation tools that can be used in a machine learning pipeline, allowing everyone to use them, without having the necessary domain knowledge. In this thesis we deal with automated machine learning for clustering problems. Clustering problems are unsupervised machine learning problems, which means that there is no inherently external information to evaluate models' performance. For that purpose we used deep learning and meta-learning techniques to solve the problem of algorithm selection for a dataset and we approched hyperparameter optimization via bayesian optimization's tools. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Αυτοματοποιημένη μηχανική μάθηση | el |
| dc.subject.keyword | Συσταδοποίηση | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Επιλογή αλγορίθμου | el |
| dc.date.defense | 2023-02-28 |
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:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα