Βαθιά νευρωνικά δίκτυα

Τις τελευταίες δεκαετίες ο τομέας της Μηχανικής Μάθησης έχει γνωρίσει ραγδαία ανάπτυξη για το λόγο ότι υπάρχουν πλέον συστήματα με πολύ μεγάλη υπολογίστική ισχύ που μπορούν να χρησιμοποιηθούν για την αξιοποίηση των δυνατοτήτων του. Αυτό το γεγονός έχει παρακινήσει το ενδιαφέρον των ερευνητών που...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Αλεξανδρή, Κωνσταντίνα
Άλλοι συγγραφείς:	Κωτσιαντής, Σωτήριος
Μορφή:	Thesis
Γλώσσα:	Greek
Έκδοση:	2019
Θέματα:	Νευρωνικά δίκτυα Μηχανική μάθηση Neural networks Machine learning 006.32
Διαθέσιμο Online:	http://hdl.handle.net/10889/12702

id	nemertes-10889-12702
record_format	dspace
spelling	nemertes-10889-127022022-09-05T20:20:58Z Βαθιά νευρωνικά δίκτυα Deep neural networks Αλεξανδρή, Κωνσταντίνα Κωτσιαντής, Σωτήριος Κωτσιαντής, Σωτήριος Γράψα, Θεοδούλα Καββαδίας, Δημήτριος Alexandri, Konstantina Νευρωνικά δίκτυα Μηχανική μάθηση Neural networks Machine learning 006.32 Τις τελευταίες δεκαετίες ο τομέας της Μηχανικής Μάθησης έχει γνωρίσει ραγδαία ανάπτυξη για το λόγο ότι υπάρχουν πλέον συστήματα με πολύ μεγάλη υπολογίστική ισχύ που μπορούν να χρησιμοποιηθούν για την αξιοποίηση των δυνατοτήτων του. Αυτό το γεγονός έχει παρακινήσει το ενδιαφέρον των ερευνητών που προσπαθούν και έχουν πετύχει να δημιουργήσουν διάφορα μοντέλα. Στην παρούσα διπλωματική εργασία θα δούμε να παρουσιάζονται στοιχεία της Μηχανικής Μάθησης, αφού η Βαθιά Μάθηση αποτελεί μέρος αυτής. Επίσης θα δούμε πως σχετίζονται με τα δίκτυα εμπρόσθίας τροφοδότησης, τις τεχνικές βελτιστοποίησης, τα συνελικτικά νευρωνικά δίκτυα και τα αναδραστικά νευρωνικά δίκτυα. Τέλος, θα δούμε την εφαρμογή της θεωρίας μετά την περιγραφή του προβλήματος αναγνώρισης προτύπων από εικόνες και θα παρουσιάσουμε τα αποτελέσματα μετά την εκτέλεση αλγορίθμων επιβλεπόμενης μάθησης με χρήση βαθιάς μάθησης στις γνωστές βάσεις δεδομένων MNIST, fashion_mnist, CiFAR-10 με αξιοποίηση της βιβλιοθήκης Keras. In the last few decades, the Mechanical Learning sector has been growing rapidly because there are systems with a lot of computational power which can be used to exploit its potential. This fact has stimulated the interest of researchers who are trying and have succeeded in creating different models. In this diploma thesis we will see elements of Mechanical Learning, since Deep Learning is part of it. We will also study how they relate to Front Feed Networks, optimization techniques, Convolutional Neural Networks, and Feedback Neural Networks. Finally, we will present the application of theory after describing the pattern recognition problem for images and we will present the results after performing supervised learning algorithms using deep learning in the known databases MNIST, fashion_mnist, CiFAR-10 using the Keras library. 2019-10-12T18:38:24Z 2019-10-12T18:38:24Z 2018-09-20 Thesis http://hdl.handle.net/10889/12702 gr 12 application/pdf
institution	UPatras
collection	Nemertes
language	Greek
topic	Νευρωνικά δίκτυα Μηχανική μάθηση Neural networks Machine learning 006.32
spellingShingle	Νευρωνικά δίκτυα Μηχανική μάθηση Neural networks Machine learning 006.32 Αλεξανδρή, Κωνσταντίνα Βαθιά νευρωνικά δίκτυα
description	Τις τελευταίες δεκαετίες ο τομέας της Μηχανικής Μάθησης έχει γνωρίσει ραγδαία ανάπτυξη για το λόγο ότι υπάρχουν πλέον συστήματα με πολύ μεγάλη υπολογίστική ισχύ που μπορούν να χρησιμοποιηθούν για την αξιοποίηση των δυνατοτήτων του. Αυτό το γεγονός έχει παρακινήσει το ενδιαφέρον των ερευνητών που προσπαθούν και έχουν πετύχει να δημιουργήσουν διάφορα μοντέλα. Στην παρούσα διπλωματική εργασία θα δούμε να παρουσιάζονται στοιχεία της Μηχανικής Μάθησης, αφού η Βαθιά Μάθηση αποτελεί μέρος αυτής. Επίσης θα δούμε πως σχετίζονται με τα δίκτυα εμπρόσθίας τροφοδότησης, τις τεχνικές βελτιστοποίησης, τα συνελικτικά νευρωνικά δίκτυα και τα αναδραστικά νευρωνικά δίκτυα. Τέλος, θα δούμε την εφαρμογή της θεωρίας μετά την περιγραφή του προβλήματος αναγνώρισης προτύπων από εικόνες και θα παρουσιάσουμε τα αποτελέσματα μετά την εκτέλεση αλγορίθμων επιβλεπόμενης μάθησης με χρήση βαθιάς μάθησης στις γνωστές βάσεις δεδομένων MNIST, fashion_mnist, CiFAR-10 με αξιοποίηση της βιβλιοθήκης Keras.
author2	Κωτσιαντής, Σωτήριος
author_facet	Κωτσιαντής, Σωτήριος Αλεξανδρή, Κωνσταντίνα
format	Thesis
author	Αλεξανδρή, Κωνσταντίνα
author_sort	Αλεξανδρή, Κωνσταντίνα
title	Βαθιά νευρωνικά δίκτυα
title_short	Βαθιά νευρωνικά δίκτυα
title_full	Βαθιά νευρωνικά δίκτυα
title_fullStr	Βαθιά νευρωνικά δίκτυα
title_full_unstemmed	Βαθιά νευρωνικά δίκτυα
title_sort	βαθιά νευρωνικά δίκτυα
publishDate	2019
url	http://hdl.handle.net/10889/12702
work_keys_str_mv	AT alexandrēkōnstantina bathianeurōnikadiktya AT alexandrēkōnstantina deepneuralnetworks
_version_	1771297303518248960

Βαθιά νευρωνικά δίκτυα

Παρόμοια τεκμήρια