Επιβλεπόμενη μηχανική μάθηση και το πρόβλημα της ταξινόμησης

Νάι, Μαρία; Nai, Maria

dc.contributor.author	Νάι, Μαρία	el
dc.contributor.author	Nai, Maria	en
dc.date.accessioned	2020-04-26T14:45:03Z
dc.date.available	2020-04-26T14:45:03Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50242
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17940
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Επιβλεπόμενη, Μηχανική, Μάθηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Αλγόριθμοι	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Supervised, Machine, Learning	en
dc.subject	Classification	en
dc.subject	Algorithms	en
dc.subject	Neural Networks	en
dc.title	Επιβλεπόμενη μηχανική μάθηση και το πρόβλημα της ταξινόμησης	el
dc.title	Supervised machine learning and the classification problem	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-09-30
heal.abstract	Ο όρος ``Τεχνητή Νοημοσύνη" προέρχεται από τον βασικό στόχο να μπορέσει κάποτε η τεχνολογία να δημιουργήσει αυτοματοποιημένα συστήματα αποφάσεων. Στόχος αυτών είναι η επιτέλεση σύνθετων ενεργειών χωρίς την διαρκή παρέμβαση του ανθρώπου, με την ακολουθία λογικών ενεργειών που αποτελούν αποτέλεσμα μίας μηχανικής εκμάθησης ή βαθιάς μάθησης. Η Μηχανική Μάθηση μπορεί να περιγραφεί ως ένα σύνολο τεχνικών και εργαλείων που επιτρέπουν στους υπολογιστές να σκέφτονται δημιουργώντας μαθηματικούς αλγόριθμους που βασίζονται σε δεδομένα. Η βαθιά μάθηση είναι μια μορφή Μηχανικής Μάθησης. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάλυση σημαντικών αλγορίθμων επιβλεπόμενης Μηχανικής Μάθησης που επιλύουν το πρόβλημα της ταξινόμησης. Η ταξινόμηση λαμβάνει χώρα σε πολλές εφαρμογές επιστημονικών πεδίων όπως στην επιστήμη υπολογιστών, στην ιατρική, στην μετεωρολογία, στα οικονομικά και σε πολλά άλλα. Γίνεται λοιπόν κατανοητό το πόσο σημαντικό είναι η ανάπτυξη τεχνικών οι οποίες θα μπορούν να μας προσφέρουν αξιόπιστη ταξινόμηση. Στο Κεφάλαιο 1 γίνεται μια εισαγωγή στην Τεχνητή Νοημοσύνη στην ιστορία αυτής και στους τρόπους με τους οποίους την προσεγγίζουμε. Το Κεφάλαιο 2 αναλύει το πρόβλημα της Μηχανικής Μάθησης δίνοντας ιδιαίτερη έμφαση στο πρόβλημα της ταξινόμησης. Στην συνέχεια, το Κεφάλαιο 3 πραγματεύεται την αξιολόγηση ταξινομητών. Αναλύεται το δίλημμα μεροληψίας-διασποράς και παρουσιάζονται μέθοδοι και κριτήρια βέλτίωσης της απόδοσης αυτών των ταξινομητών. Τέλος, το Κεφάλαιο 4 ασχολείται με τεχνικές ταξινόμησης βασισμένες στην θεωρία του Μπέυζ ενώ το 5 με αλγοριθμικές τεχνικές.	el
heal.abstract	The term “Artificial Intelligence” originates from the technology’s main target to create automatic decision platforms. Such systems aim to execute complex actions via a sequence of logic operations stemming from a Machine Learning procedure, without the need of constant human intervention. Artificial intelligence can be described as a group of techniques and tools, which allow computers to “think” by creating mathematical algorithms based on data mining. A class of such algorithmic techniques is known as deep learning, which belongs in the general category of Machine Learning. The purpose of the present diploma thesis is to expand on the most important supervised machine learning techniques, which solve the classification problem. Classification takes place in many applications within different scientific fields, including computer science, medicine, meteorology, and economics, to name a few. As a result, it is quite essential to develop techniques, which can offer reliable classification. In Chapter 1, we provide an introduction to the history of Artificial Intelligence, along with the most important algorithmic approaches. In Chapter 2, we analyze the problem of Machine Learning, by emphasizing especially on the classification problem. In Chapter 3, an evaluation of the different classifiers is performed while methods and criteria are also provided for their improvement. The bias-variance dilemma is also analyzed. Finally, Chapter 4 deals with classification techniques based on Bayes' theorem, while Chapter 5 emphasizes on respective algorithmic techniques.	en
heal.advisorName	Φουσκάκης, Δημήτριος	el
heal.committeeMemberName	Παπαπαντολέων, Αντώνης	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	113 σ.
heal.fullTextAvailability	false