| Περίληψη: | Η τεχνητή νοημοσύνη είναι ένας από τους γρήγορα αναπτυσσόμενους κλάδους της
επιστήμης των υπολογιστών. Ιδιαίτερη σημασία δίνεται στις μέρες μας για το πεδίο της
τεχνητής νοημοσύνης που ονομάζεται μηχανική μάθηση και συγκεκριμένα τα τεχνητά
νευρωνικά δίκτυα. Τα τεχνητά νευρωνικά δίκτυα είναι εμπνευσμένα από τα βιολογικά
νευρωνικά δίκτυα. Στην μηχανική μάθηση χρησιμοποιούνται για να διεκπεραιώσουν
εργασίες που αφορούν την αναγνώριση πολύπλοκων προτύπων μέσα σε συλλογές δε-
δομένων και για να κάνουν προβλέψεις. Τα τεχνητά νευρωνικά δίκτυα μπορούν να
εφαρμοστούν σε επιβλεπόμενη μάθηση, σε μη επιβλεπόμενη μάθηση και σε ενισχυμένη
μάθηση. Διάφορα παραδείγματα τεχνητών νευρωνικών δικτύων είναι τα συνελικτικά
νευρωνικά δίκτυα, τα LSTM νευρωνικά δίκτυα και οι autoencoders. Επίσης, απαραίτη-
τη κρίνεται η βελτιστοποίηση της απόδοσης αυτών των μοντέλων. Αυτό επιτυγχάνεται
μέσω αλγορίθμων που ρυθμίζουν πιο αποτελεσματικά τις υπερπαραμέτρους των τεχνη-
τών νευρωνικών δικτύων κατά την εκπαίδευση.
Στόχος της διπλωματικής εργασίας είναι η εφαρμογή ενός αλγορίθμου ο οποίος
υπολογίζει την υπερπαράμετρο του ρυθμού μάθησης. Ο αλγόριθμος αυτός ονομάζεται
e-AdLR και υλοποιείται σε ένα συνελικτικό νευρωνικό δίκτυο. Επιπλέον, υλοποιούνται
τρία ακόμα μοντέλα τα οποία είναι ένα απλό συνελικτικό νευρωνικό δίκτυο, ένα συνε-
λικτικό LSTM δίκτυο και ένα autoencoder. Τα τέσσερα μοντέλα που υλοποιούνται
σε αυτήν την διπλωματική συγκρίνονται μεταξύ τους ως προς την ακρίβεια (accuracy),
την απώλεια (loss), την ανάκληση (recall), την ακρίβεια (precision) και την μετρική f1
score.
|
|---|
