Τεχνικές αξιοποίησης της κατανομής των δεδομένων στην εκπαίδευση νευρωνικών δικτύων

Προβατάς, Νικόδημος; Provatas, Nikodimos

dc.contributor.author	Προβατάς, Νικόδημος	el
dc.contributor.author	Provatas, Nikodimos	en
dc.date.accessioned	2021-01-08T07:57:58Z
dc.date.available	2021-01-08T07:57:58Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52744
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20442
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Default License
dc.subject	Κατανομές δεδομένων	el
dc.subject	Βαθιά μηχανική μάθηση	el
dc.subject	Κατηγοριοποίηση εικόνας	el
dc.subject	Ομαδοποίηση	el
dc.subject	Δειγματοληψία	el
dc.subject	Deep learning	en
dc.subject	Data distribution	en
dc.subject	Image classification	en
dc.subject	Clustering	en
dc.subject	Sampling	en
dc.title	Τεχνικές αξιοποίησης της κατανομής των δεδομένων στην εκπαίδευση νευρωνικών δικτύων	el
dc.contributor.department	Επιστήμη Δεδομένων και Μηχανική Μάθηση	el
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11-13
heal.abstract	Ο τομέας της βαθιάς μηχανικής μάθησης παρουσιάζει ιδιαίτερη άνθηση στο πλαίσιο μιας πληθώρας διαφορετικών εφαρμογών, όπως είναι η κατηγοριοποίηση εικόνων. Για την κατασκευή καλύτερων προβλεπτικών μοντέλων έχει μια αναπτυχθεί μια πληθώρα πολύπλοκων αρχιτεκτονικών νευρωνικών δικτύων. Ωστόσο, η πολυπλοκότητα ενός δικτύου δεν επαρκεί από μόνη της για την δημιουργία μοντέλων υψηλής ακρίβειας, η οποία συνδέεται άμεσα με την ποιότητα και τον σειρά πρόσβασης στα δεδομένα κατά τη διάρκεια της εκπαίδευσης. Συνήθως, για την αύξηση της ακρίβειας ενός μοντέλου, κάθε βήμα της εκπαίδευσης πραγματοποιείται με τη χρήση τυχαίου υποσυνόλου των δεδομένων αντί σειριακά. Στη συγκεκριμένη εργασία εξετάζονται τεχνικές για την αξιοποίηση της πληροφορίας που παρέχει η κατανομή των δεδομένων, ώστε να ωφεληθεί η διαδικασία της εκπαίδευσης. Αρχικά, γίνεται μελέτη για τον καθορισμό της σειράς πρόσβασης στα δεδομένα σύμφωνα με την στατιστική κατανομή που τα παράγει βελτιώνοντας έτσι τις μετρικές αξιολόγησης έως και 4.58%, χωρίς ιδιαίτερη χρονική επιβάρυνση. Επιπλέον, εξετάζεται πως μπορεί να αξιοποιηθεί η κατανομή των δεδομένων, ώστε η εκπαίδευση να πραγματοποιηθεί σε συγκεκριμένο υποσύνολο του συνόλου εκπαίδευσης. Επιτυγχάνεται έτσι η δημιουργία προβλεπτικών μοντέλων αντίστοιχης εκπαίδευσης σε περίπου 1.2X λιγότερο χρόνο.	el
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Κωνσταντίνου, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	96 σ.	el
heal.fullTextAvailability	false