Μοντέλα ταξινόμησης και εφαρμογές
| dc.contributor.advisor | Κούτρας, Μάρκος | |
| dc.contributor.author | Δοντάς, Γιώργος Ι. | |
| dc.date.accessioned | 2012-10-08T09:15:28Z | |
| dc.date.available | 2012-10-08T09:15:28Z | |
| dc.date.issued | 2012-10-08T09:15:28Z | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/5036 | |
| dc.description.abstract | Η μηχανική μάθηση έχει ως σκοπό τη δημιουργία αλγορίθμων ικανών να βελτιώνουν την απόδοσή τους, αξιοποιώντας προγενέστερη γνώση και εμπειρία, με σκοπό την εξαγωγή χρήσιμων συμπερασμάτων και την περιγραφή φαινομένων, μέσω της επεξεργασίας δεδομένων τεράστιου, πολλές φορές, όγκου. Το ζητούμενο στην περίπτωση της επιβλεπόμενης μάθησης είναι η κατασκευή ενός μοντέλου που αναπαριστά τη γνώση που αποκτήθηκε μέσω της εμπειρίας και το οποίο στη συνέχεια χρησιμοποιείται για την αξιολόγηση νέων παρατηρήσεων. Μία από τις πιο οικείες μεθόδους περιγραφής φαινομένων είναι η ταξινόμηση, η ένταξη δηλαδή κάθε παρατήρησης σε μία ομάδα, από ένα πεπερασμένο πλήθος υποψήφιων ομάδων. Η παρούσα εργασία επικεντρώνεται στην παρουσίαση ενός πολύ διαδεδομένου αλγορίθμου ταξινόμησης, προερχόμενου από τον τομέα της μηχανικής μάθησης, με το όνομα «μηχανή διανυσμάτων υποστήριξης» (Support Vector Machine - SVM). Η ανάπτυξη του θεωρητικού υποβάθρου του αλγορίθμου παρουσιάζεται σταδιακά, ώστε να γίνει κατανοητή από τον αναγνώστη όλη η διαδρομή, από τον πλέον στοιχειώδη αλγόριθμο ταξινόμησης, μέχρι τη βελτιστοποιημένη εκδοχή που αποτελεί η SVM. Στη διαδρομή αυτή, θα παρουσιαστούν εκτενώς δύο ακόμη διαδεδομένοι αλγόριθμοι ταξινόμησης, η «ομαλοποιημένη λογιστική παλινδρόμηση» και το «πολυστρωματικό νευρωνικό δίκτυο». Πέρα από τη θεωρητική παρουσίαση των αλγορίθμων, σκοπός της εργασίας είναι η προγραμματιστική ανάπτυξη αυτών - στις περιπτώσεις που αυτό δε θεωρείται ασύμφορο - για την αντιμετώπιση πρακτικών εφαρμογών, καθώς επίσης και η παρουσίαση του τρόπου χρήσης έτοιμων βιβλιοθηκών και ελεύθερα διαθέσιμων λογισμικών πακέτων. Τα δεδομένα που χρησιμοποιήθηκαν όπως και το σύνολο του κώδικα διατίθενται στον αναγνώστη για πειραματισμό. Η διεργασία της μηχανικής μάθησης δεν μπορεί βέβαια να είναι πλήρης, χωρίς την αξιολόγηση της γνώσης που αποκτάται. Για το λόγο αυτό, στο τελευταίο κεφάλαιο γίνεται μια αναφορά σε διαγνωστικούς ελέγχους και πρακτικές συμβουλές για την αξιολόγηση και βελτιστοποίηση του μοντέλου πριν αυτό τεθεί σε εφαρμογή. | |
| dc.language.iso | el | |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/deed.el | |
| dc.subject | Machine learning | |
| dc.subject | Αλγόριθμοι | |
| dc.subject | Εξόρυξη δεδομένων | |
| dc.subject | Ανάλυση παλινδρόμησης | |
| dc.subject | Ταξινόμηση -- Μαθηματικά υποδείγματα | |
| dc.title | Μοντέλα ταξινόμησης και εφαρμογές | |
| dc.type | Master Thesis | |
| europeana.isShownAt | https://dione.lib.unipi.gr/xmlui/handle/unipi/5036 | |
| dc.identifier.call | 006.3'1 ΔΟΝ | |
| dc.description.abstractEN | The aim of machine learning is to develop algorithms capable of improving their own performance, exploiting existing data, stored in huge databases, in order to discover knowledge and interpret several phenomena. Supervised learning aims in creating a model that takes into account the knowledge adapted by experience, and then uses it for evaluating new observations. One of the most common methods for describing phenomena is through classification, where a particular object is classified to one of several available classes of objects. The present thesis focuses on one of the most promising classification algorithms in the field of machine learning, the "support vector machine" (SVM). The presentation of the theoretical foundation advances gradually, starting from the most intuitive classification algorithm and reaching up to the optimized approach of SVM, so that it's easier for the reader to follow. During the presentation procedure, another two of the most popular classification algorithms are also highlighted: the "regularized logistic regression" and the "multi-layer perceptron". Beyond theoretical approach, this thesis aims developing appropriate algorithms, when possible, or otherwise to suggest how to use "of the shelf' and open-source software libraries. All the data used for the examples, as well as the whole of the implemented code, are available to the reader for experimentation. A machine learning process cannot be considered complete without having evaluated the model developed. For this reason, in the last chapter, we deemed it necessary to present several diagnostic tests and practical advice for model evaluation and optimization. |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές