| Περίληψη: | ΄Ένα από τα κύρια χαρακτηριστικά της σημερινής εποχής αποτελεί ο τεράστιος όγκος δεδομένων, γεγονός που αναντίρρητα οδήγησε στην ανάγκη για την αποθήκευση, την επεξεργασία καθώς και την αποτελεσματική διαχείριση αυτών. Μάλιστα, η κατηγοριοποίηση των τελευταίων σε διαφορετικά είδη, όπως ήχους, εικόνες και βίντεο, κατέστησε αναγκαία την δημιουργία κατάλληλων, κατά περίπτωση, μεθόδων προκειμένου να είμαστε σε θέση να τα διαχειριζόμαστε, καθώς και να τα αξιοποιούμε κατάλληλα για την πρόβλεψη μελλοντικών καταστάσεων. Στο εν λόγω εγχείρημα, καίριος είναι ο ρόλος της Μηχανικής Μάθησης, η οποία τα τελευταία χρόνια έχει γνωρίσει σπουδαία αναγνώριση και εξέλιξη. Η κατηγοριοποίηση κειμένων, η αναγνώριση ομιλίας και ήχου, καθώς και η ταξινόμηση εικόνων και βίντεο, αποτελούν τις κυριότερες περιοχές στις οποίες η Μηχανική Μάθηση αλλά και η Βαθιά Μάθηση αναπτύσσονται με ιλλιγιώδη ταχύτητα. Στην παρούσα εργασία, γίνεται αναφορά σε ορισμένους από τους πιο γνωστούς αλγόριθμους ταξινόμησης, με το βάρος να δίνεται στα τεχνητά νευρωνικά δίκτυα. Ειδικότερα, περιγράφουμε αναλυτικά τόσο τα απλά νευρωνικά δίκτυα όσο και τα συνελικτικά, παρουσιάζοντας ορισμένα από τα πιο γνωστά μοντέλα που έχουν κατασκευαστεί. Ιδιαίτερη μνεία γίνεται στον κλάδο της μεταφερόμενης μάθησης, ο οποίος αποτελεί ένα ταχύτατα αναπτυσσόμενο πεδίο, σε μία προσπάθεια να αξιοποιηθεί κατάλληλα η παραχθείσα γνώση για την επίλυση νέων προβλημάτων. ΄Επειτα, παρουσιάζονται τα πειράματα που πραγματοποιήσαμε, περιγράφοντας τη διαδικασία που ακολουθήσαμε προκειμένου να επεξεργαστούμε το σύνολο δεδομένων UCF101 και να κατασκευάσουμε τα τελικά μοντέλα ταξινόμησης. Τελειώνοντας, αναφερόμαστε σε ορισμένα συμπεράσματα που προέκυψαν τόσο από τη δική μας εφαρμογή όσο και απο τη διεθνή βιβλιογραφία, κάνοντας ορισμένες προτάσεις για μελλοντικές έρευνες και εφαρμογές.
|
|---|
