HEAL DSpace

Εφαρμογές μηχανικής μάθησης στη δυσλεξία

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

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


Αρχεία σε αυτό το τεκμήριο

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής