Τεχνικές μεταμάθησης σε λίγα δεδομένα

Σπυρόπουλος, Χρήστος; Spyropoulos, Chris

dc.contributor.author	Σπυρόπουλος, Χρήστος	el
dc.contributor.author	Spyropoulos, Chris	en
dc.date.accessioned	2021-06-04T18:41:39Z
dc.date.available	2021-06-04T18:41:39Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53548
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21246
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	Μάθηση με λίγα δεδομένα	el
dc.subject	Μπεϋζιανή στατιστική	el
dc.subject	Μετα-Μάθηση	el
dc.subject	Μετρική-Μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Few shot learning	en
dc.subject	Bayesian statistic	en
dc.subject	Meta learning	en
dc.subject	Metric learning	en
dc.subject	Neural net-works	en
dc.subject	Random variables	en
dc.title	Τεχνικές μεταμάθησης σε λίγα δεδομένα	el
heal.type	masterThesis
heal.classification	Neural Network	en
heal.classification	Νευρωνικά Δίκτυα	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-11
heal.abstract	Η ραγδαία αύξηση του όγκου των δεδομένων τα τελευταία χρόνια, οδήγησε στην άμεση αύξηση της χρήσης βαθιών νευρωνικών δικτύων για την εξαγωγή συμπερασμάτων σε διάφορα προβλήματα. Τα βαθιά νευρωνικά δίκτυα, σε περιπτώσεις προβλημάτων με μεγάλο όγκο δεδομένων είναι πoλύ καλοί ταξινομητές και δίνουν λύσεις σε προβλήματα παλινδρόμησης ή βελτιστοποίησης. Αντίθετα, δοκιμαζόμενα σε προβλήματα με λιγότερα δεδομένα απέτυχαν να γενικεύσουν. Η αδυναμία τους αυτή οφείλεται στην έλλειψη δεδομένων, αφού η επιτυχία τους βασίζεται στην ύπαρξη μεγάλων όγκων δεδομένων που με την πολυπλοκότητα τους μπορούν να εξάγουν και να συγκεντρώσουν όλη την πληροφορία που διαθέτουν τα δεδομένα.Η δημιουργία τεχνικών εξαγωγής συμπερασμάτων με λίγα δεδομένα ήταν απαραίτητη για την αντιμετώπιση τέτοιου είδους προβλημάτων. Η μάθηση με λίγα δεδομένα (Few shot Learning) καταφέρνει να καλύψει αυτό το κενό επιτυνχάνοντας εξαιρετικές αποδόσεις σε προβλήματα με λίγα δεδομένα.Στην παρούσα διπλωματική εργασία, θα γίνει σύνδεση της Μπεϋζιανής Στατιστικής με τεχνικές μάθησης με λίγα δεδομένα. Ο στόχος της διπλωματικής είναι να χρησιμοποιηθούν τυχαίες μεταβλητές υπό Μπεϋζιανό πλαίσιο, αξιοποιώντας τις δυνατότητες που έχει η μάθηση με λίγα δεδομένα, οι οποίες να συνεισφέρουν θετικά σε προβλήματα ταξινόμησης εικόνων. Τα πειράματα της εργασίας αφορούν την ταξινόμηση εικόνων από εννέα διαφορετικά σετ δεδομένων και την προσαρμογή του προβλήματος σε ρεαλιστικές συνθήκες. Οι ρεαλιστικές συνθήκες αναφέρονται στην ύπαρξη ανισορροπίας μεταξύ των δεδομένων των κλάσσεων και των δεδομένων του κάθε προβλήματος που θα εκπαιδευτεί.Κάτα την εφαρμογή του πειράματος θα γίνει σύγκριση τριών διαφορετικών τεχνικών μάθησης με λίγα δεδομένα. Οι τεχνικές αυτές θα έχουν παρόμοια αρχιτεκτονική και η μία εκ των οποίων θα χρησιμοποιεί κάτα την κατασκευή της τυχαίες μεταβλητές, οι οποίες θα επηρεάζουν τις αρχικές συνθήκες των παραμέτρων του προβλήματος. Οι συνθήκες αυτές θα διαφέρουν για κάθε κλάση του προβλήματος ανάλογα με το μέγεθος της και θα είναι διαφορετικές για το κάθε πρόβλημα ανάλογα με το μέγεθος του.	el
heal.abstract	The rapid increase in the data volume in recent years, has led to an immediate increase in the use of deep neural networks. Deep neural networks, in cases of problems with a large amount of data, are very good classifiers and provide solutions to regression or optimization problems. Deep neural networks through their complexity can extract and collect all the information available in the data. In contrast, tested on problems with few data failed to generalize. This weakness is due to the lack of data, since their success is based on the existence of large volumes of data.The creation of inferential techniques with few data was necessary to address such problems. Few shot Learning manages to fill this gap by achieving excellent performance on few data problems.In the present dissertation, Bayesian Statistics will be linked to learning techniques with few data. The aim of the dissertation is to use random variables under the Bayesian framework, utilizing the possibilities of learning with few data, which contribute positively to image classification problems. The experiments of the work concern the classification of images from nine different data sets and the adaptation of the problem to realistic conditions. Realistic conditions refer to the existence of an imbalance between the data of the classes and the data of each problem to be trained.During the implementation of the experiment, three different learning techniques will be compared with few data. These techniques will have a similar architecture and one of them will use random variables during its construction, which will affect the initial conditions of the problem parameters. These conditions will vary for each class of problem depending on its size and will be different for each problem depending on its size.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	71 σ.	el
heal.fullTextAvailability	false