Μηχανική Μάθηση με Νευρωνικά Δίκτυα
Στο έκτο κεφάλαιο θα μελετήσουμε τους αλγορίθμους συστάσεων που βασίζονται σε τεχνητά νευρωνικά δίκτυα. Συγκεκριμένα, θα περιγράψουμε το Multi-layer Perceptron - (MLP), το βασικό νευρωνικό δίκτυο, πρόσθιας τροφοδότησης και με πολλά στρώματα ανάλυσης. Επίσης, θα παρουσιάσουμε λεπτομερώς τα Graph Conv...
Κύριοι συγγραφείς: | , |
---|---|
Μορφή: | 7 |
Γλώσσα: | Greek |
Έκδοση: |
2023
|
Διαθέσιμο Online: | http://repository.kallipos.gr/handle/11419/9578 |
id |
kallipos-11419-9578 |
---|---|
record_format |
dspace |
spelling |
kallipos-11419-95782023-05-31T12:22:11Z Μηχανική Μάθηση με Νευρωνικά Δίκτυα Machine Learning with Neural Nets Συμεωνίδης, Παναγιώτης Symeonidis, Panagiotis Στο έκτο κεφάλαιο θα μελετήσουμε τους αλγορίθμους συστάσεων που βασίζονται σε τεχνητά νευρωνικά δίκτυα. Συγκεκριμένα, θα περιγράψουμε το Multi-layer Perceptron - (MLP), το βασικό νευρωνικό δίκτυο, πρόσθιας τροφοδότησης και με πολλά στρώματα ανάλυσης. Επίσης, θα παρουσιάσουμε λεπτομερώς τα Graph Convolutional Netwoks, τα Graph Neural Networks και τα Node Embeddings. Τα Convolutional Neural Networks είναι ιδιαίτερα αποτελεσματικά στο image processing and recognition και, δεδομένου ότι μια εικόνα συνήθως απεικονίζεται μ’ έναν διδιάστατο πίνακα, αυτά τα τεχνητά νευρωνικά δίκτυα μπορούν κατά αναλογία να εφαρμοστούν και στα συστήματα συστάσεων, τα οποία συνίστανται κατά βάση επίσης από δύο διαστάσεις (χρήστες και στοιχεία). Τέλος, θα αναλύσουμε το Recurrent Neural Network, το οποίο επιτρέπει στο σύστημα συστάσεων με τη χρήση των δομικών μονάδων LSTM και GRU να «ξεχνάει» παλαιότερες χρονικά αλληλεπιδράσεις του χρήστη με τα στοιχεία, και γι’ αυτό είναι χρήσιμο για συστάσεις στοιχείων των οποίων ο χρόνος ζωής είναι σχετικά μικρός (π.χ. ειδησεογραφικά άρθρα). In chapter six we will study recommendation algorithms based on artificial neural networks. In particular, we will describe the Multi-layer Perceptron - (MLP), the basic, feedforward, multi-layered neural network. We will also detail Graph Convolutional Netwoks, Graph Neural Networks and Node Embeddings. Convolutional Neural Networks are particularly effective in image processing and recognition and, since an image is usually represented with a two-dimensional table, these artificial neural networks can by analogy be applied to recommender systems, which are also basically composed of two dimensions (users and elements). Finally, we will analyze the Recurrent Neural Network, which allows the recommendation system using the LSTM and GRU building blocks to "forget" past temporal interactions of the user with the elements, and is therefore useful for recommendations elements whose lifetime is relatively short (e.g. news articles). 2023-05-29T07:30:56Z 2023-05-29T10:01:48Z 2023-05-29T07:30:56Z 2023-05-29T10:01:48Z 7 http://repository.kallipos.gr/handle/11419/9578 el 1 application/pdf |
institution |
Kallipos |
collection |
DSpace |
language |
Greek |
description |
Στο έκτο κεφάλαιο θα μελετήσουμε τους αλγορίθμους συστάσεων που βασίζονται σε τεχνητά νευρωνικά δίκτυα. Συγκεκριμένα, θα περιγράψουμε το Multi-layer Perceptron - (MLP), το βασικό νευρωνικό δίκτυο, πρόσθιας τροφοδότησης και με πολλά στρώματα ανάλυσης. Επίσης, θα παρουσιάσουμε λεπτομερώς τα Graph Convolutional Netwoks, τα Graph Neural Networks και τα Node Embeddings. Τα Convolutional Neural Networks είναι ιδιαίτερα αποτελεσματικά στο image processing and recognition και, δεδομένου ότι μια εικόνα συνήθως απεικονίζεται μ’ έναν διδιάστατο πίνακα, αυτά τα τεχνητά νευρωνικά δίκτυα μπορούν κατά αναλογία να εφαρμοστούν και στα συστήματα συστάσεων, τα οποία συνίστανται κατά βάση επίσης από δύο διαστάσεις (χρήστες και στοιχεία). Τέλος, θα αναλύσουμε το Recurrent Neural Network, το οποίο επιτρέπει στο σύστημα συστάσεων με τη χρήση των δομικών μονάδων LSTM και GRU να «ξεχνάει» παλαιότερες χρονικά αλληλεπιδράσεις του χρήστη με τα στοιχεία, και γι’ αυτό είναι χρήσιμο για συστάσεις στοιχείων των οποίων ο χρόνος ζωής είναι σχετικά μικρός (π.χ. ειδησεογραφικά άρθρα). |
format |
7 |
author |
Συμεωνίδης, Παναγιώτης Symeonidis, Panagiotis |
spellingShingle |
Συμεωνίδης, Παναγιώτης Symeonidis, Panagiotis Μηχανική Μάθηση με Νευρωνικά Δίκτυα |
author_facet |
Συμεωνίδης, Παναγιώτης Symeonidis, Panagiotis |
author_sort |
Συμεωνίδης, Παναγιώτης |
title |
Μηχανική Μάθηση με Νευρωνικά Δίκτυα |
title_short |
Μηχανική Μάθηση με Νευρωνικά Δίκτυα |
title_full |
Μηχανική Μάθηση με Νευρωνικά Δίκτυα |
title_fullStr |
Μηχανική Μάθηση με Νευρωνικά Δίκτυα |
title_full_unstemmed |
Μηχανική Μάθηση με Νευρωνικά Δίκτυα |
title_sort |
μηχανική μάθηση με νευρωνικά δίκτυα |
publishDate |
2023 |
url |
http://repository.kallipos.gr/handle/11419/9578 |
work_keys_str_mv |
AT symeōnidēspanagiōtēs mēchanikēmathēsēmeneurōnikadiktya AT symeonidispanagiotis mēchanikēmathēsēmeneurōnikadiktya AT symeōnidēspanagiōtēs machinelearningwithneuralnets AT symeonidispanagiotis machinelearningwithneuralnets |
_version_ |
1771301291910234112 |