Εφαρμογές μηχανικής μάθησης στη δυσλεξία

Ζώγας, Παναγιώτης; Zogas, Panagiotis

dc.contributor.author	Ζώγας, Παναγιώτης	el
dc.contributor.author	Zogas, Panagiotis	en
dc.date.accessioned	2021-09-15T10:15:20Z
dc.date.available	2021-09-15T10:15:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53863
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21561
dc.rights	Default License
dc.subject	Δυσλεξία	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Δυαδική ταξινόμηση	el
dc.subject	Δέντρα ενίσχυσης κλίσης	el
dc.subject	Dyslexia	en
dc.subject	Machine learning	en
dc.subject	Supervised learning	en
dc.subject	Binary classification	en
dc.subject	Gradient boosting trees	en
dc.title	Εφαρμογές μηχανικής μάθησης στη δυσλεξία	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-06
heal.abstract	Η δυσλεξία είναι μία μαθησιακή δυσκολία νευροβιολογικής προέλευσης που γίνεται αντιληπτή λόγω δυσκολιών στην εκμάθηση της ανάγνωσης. Σύμφωνα με εκτιμήσεις που βασίζονται σε παραμέτρους και κριτήρια διάγνωσης το 5-10\% του πληθυσμού έχει δυσλεξία. Ο εντοπισμός της σε μικρές ηλικίες είναι επιτακτική ανάγκη καθώς έτσι γίνεται η αποτελεσματικότερη αντιμετώπιση της. Η έλλειψη διάγνωσης μπορεί να αποδειχθεί επιζήμια τόσο για την απόδοση του παιδιού στην ανάγνωση όσο και για την ψυχική του υγεία. Το αντικείμενο της παρούσας διπλωματικής είναι με τη χρήση μηχανικής μάθησης να δοθεί ένα πλήθος από λύσεις που αφορούν τη διάγνωση της δυσλεξίας. Τα δεδομένα με τα οποία γίνεται η διάγνωση της δυσλεξίας συλλέγονται με μία πληθώρα από τρόπους από τους οποίους εξαρτάται και η προεπεξεργασία τους. Στην εργασία αυτή διερευνώνται εκτενώς οι περιπτώσεις συλλογής από την παιχνιδοποίηση ερωτήσεων και την οφθαλμική ανίχνευση. Για τα δεδομένα αυτά εφαρμόστηκε και μία πληθώρα μεθόδων επιλογής χαρακτηριστικών. Τα μοντέλα τα οποία χρησιμοποιήθηκαν για την ταξινόμηση των δειγμάτων ήταν ταξινομητές της κλασικής μηχανικής μάθησης. Πιο συγκεκριμένα επιλέχθηκαν τα τυχαία δάση, τα δέντρα ενίσχυσης κλίσης, η λογιστική παλινδρόμηση και μηχανές διανυσμάτων υποστήριξης με χρήση διαφόρων συναρτήσεων πυρήνα. Η επιλογή όλων των παραπάνω μοντέλων, εκτός της λογιστικής παλινδρόμησης, έγινε πρώτον λόγω της μη γραμμικότητας τους και δεύτερον λόγω της ικανότητάς τους να αποδίδουν σημασία στα χαρακτηριστικά κατά την εκπαίδευση. Η δεύτερη ιδιότητά τους μπορεί και να διακρίνει ποια είναι τα χαρακτηριστικά που διαχωρίζουν ένα άτομο με δυσλεξία από ένα άλλο. Εδώ αξίζει να σημειωθεί πως την καλύτερη ορθότητα, 92.63\%, έδωσε το μοντέλο μηχανών διανυσμάτων υποστήριξης με πυρήνα γκαουσιανής ακτινικής βάσης για το σύνολο δεδομένων της οφθαλμικής ανίχνευσης. Τέλος έγινε μία σύγκριση των συνόλων δεδομένων, βασισμένη στα αποτελέσματα της σημασίας χαρακτηριστικών, που προέκυψε από την εκπαίδευση των μοντέλων. Αυτή έδειξε πως με τα δεδομένα της οφθαλμικής ανίχνευσης οι κλάσεις των ατόμων με δυσλεξία και χωρίς είναι πιο εύκολα διαχωρίσιμες.	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.advisorName	Σιόλας, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	81 σ.	el
heal.fullTextAvailability	false