Βαθιά μάθηση με βελτιστοποίηση υπερ-παραμέτρων με την μέθοδο σμήνους σωματιδίων για πρόβλεψη χρήσης πόρων σε υπολογιστικές υποδομές των άκρων

Παγουλάτου, Τίτα; Pagoulatou, Tita

dc.contributor.author	Παγουλάτου, Τίτα	el
dc.contributor.author	Pagoulatou, Tita	en
dc.date.accessioned	2020-12-16T09:41:04Z
dc.date.available	2020-12-16T09:41:04Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52556
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20254
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Μέθοδοι βελτιστοποίησης	el
dc.subject	Μέθοδος σμήνους σωματιδίων	el
dc.subject	Υπολογιστική των άκρων	el
dc.subject	Machine learning	en
dc.subject	Deep learning	en
dc.subject	Optimization methods	en
dc.subject	Particle swarm optimization	en
dc.subject	Edge computing	en
dc.title	Βαθιά μάθηση με βελτιστοποίηση υπερ-παραμέτρων με την μέθοδο σμήνους σωματιδίων για πρόβλεψη χρήσης πόρων σε υπολογιστικές υποδομές των άκρων	el
dc.title	Predicting resource usage in edge computing infrastructures with a hybrid bayesian particle swarm hyper-parameter optimization model	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11-18
heal.abstract	Τα τελευταία χρόνια, πολλά συστήματα βασίζονται σε τεχνικές και αλγόριθμους βαθιάς μάθησης και έχουν γίνει ιδιαιτέρως δημοφιλή τόσο στην επιστημονική κοινότητα όσο και σε πολλούς κλάδους της βιομηχανίας, λόγω των εξαιρετικών επιδόσεων των μεθόδων αυτών σε πληθώρα προβλημάτων μηχανικής μάθησης. Ένας μεταευρετικός αλγόριθμος που μπορεί να εφαρμοστεί σε μοντέλα βαθιάς μάθησης είναι ο αλγόριθμος βελτιστοποίησης σμήνους σωματιδίων (Particle Swarm Optimization, PSO) ο οποίος περιλαμβάνει ένα πληθυσμό αυτόνομων “πρακτόρων” που αλληλεπιδρούν μεταξύ τους αλλά και με το περιβάλλον τους με στόχο την εύρεση του ολικού ελάχιστου. Η παρούσα εργασία διερευνά την πρόβλεψη της χρήσης πόρων σε υπολογιστικές δομές των άκρων με χρήση του αλγόριθμου βελτιστοποίησης σμήνους σωματιδίων που έχει σκοπό την αναζήτηση και εύρεση των βέλτιστων υπερπαραμέτρων που επιλύουν το πρόβλημα αυτό. Στο πλαίσιο αυτό, παρουσιάζονται και αναλύονται τα βασικά δομικά στοιχεία για την οικοδόμηση δικτύων βαθιάς μάθησης. Στη συνέχεια, για την εύρεση των βέλτιστων μη αριθμητικών υπερπαραμέτρων χρησιμοποιούμε Μπεϋζιανό Στατιστικό Μοντέλο. Τα δεδομένα που χρησιμοποιήσαμε αφορούν τη χρήση πόρων μηχανημάτων ακμής Raspberry Pi.	el
heal.abstract	In recent years, many systems are based on deep learning techniques and algorithms and have become particularly popular both in the scientific community and in many industries, due to the excellent performance of these methods in a variety of machine learning problems. A metaheuristic algorithm used in deep-learning models is the Particle Swarm Optimization (PSO) algorithm which includes a population of autonomous "agents" that interact with each other and with their environment in order to find the global minimum. The present work investigates the prediction of the resource usage in edge computational structuresusing the Particle Swarm Optimization algorithm that aims to search and find the optimal hyperparameters that solve this problem. In this context, the basic structural elements for building deep learning networks are presented and analyzed. Next, we use the Bayesian Statistical Model to find the optimal nominal hyperparameters. The data we used refer to the resource usage of edge devices Raspberry Pi.	en
heal.advisorName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher		el
heal.academicPublisherID	ntua
heal.numberOfPages	90 σ.	el
heal.fullTextAvailability	false