Αυτοματοποίηση της Εκπαίδευσης Νευρωνικών Δικτύων μέσω
Εξελικτικών Αλγορίθμων

Τσανάκας, Στυλιανός; Tsanakas, Stylianos

dc.contributor.author	Τσανάκας, Στυλιανός	el
dc.contributor.author	Tsanakas, Stylianos	en
dc.date.accessioned	2022-02-02T09:32:13Z
dc.date.available	2022-02-02T09:32:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54516
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22214
dc.rights	Default License
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Μέθοδοι Βελτιστοποίησης	el
dc.subject	Γενετικοί Αλγόριθμοι	el
dc.subject	Πρόβλεψη Τροχιάς	el
dc.subject	Neural Networks	en
dc.subject	Deep Learning	en
dc.subject	Optimization Methods	en
dc.subject	Genetic Algorithms	en
dc.subject	Trajectory Prediction	en
dc.title	Αυτοματοποίηση της Εκπαίδευσης Νευρωνικών Δικτύων μέσω Εξελικτικών Αλγορίθμων	el
heal.type	bachelorThesis
heal.classification	Deep Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-04
heal.abstract	Στην παρούσα διπλωματική παρουσιάζεται το μοντέλο των νευρωνικών δικτύων, οι σχεδιαστικές του επιλογές, οι μέθοδοι εκπαίδευσης καθώς και οι ευριστικές μέθοδοι που προσεγγίζουν με αυτοματοποιημένο τρόπο τις βέλτιστες τοπολογίες νευρωνικών δικτύων. Η διπλωματική εργασία περιλαμβάνει θεωρητικό και πρακτικό μέρος. Στο θεωρητικό μέρος αναλύονται τα δομικά χαρακτηριστικά των νευρωνικών δικτύων, των συναρτήσεων και τον αλγορίθμων. Το πρακτικό μέρος περιλαμβάνει την υλοποίηση στην γλώσσα προγραμματισμού python3 και βιβλιοθήκες μηχανικής μάθησης και βαθιάς μάθησης. Μέρος του κώδικα βρίσκεται στο τέλος της διπλωματικής στo παράρτημα. Η παρούσα διπλωματική πραγματοποιήθηκε στα πλαίσια δραστηριοτήτων του ερευνητικού έργου Accordion που έχει λάβει χρηματοδότηση από το πρόγραμμα έρευνας και καινοτομίας «Ορίζοντας 2020» της Ευρωπαϊκής Ένωσης βάσει συμφωνίας επιχορήγησης No 871793”. Μέρος της διπλωματικής έχει δημοσιευθεί σε πέντε επιστημονικά συνέδρια με κριτές. Οι τίτλοι των καινοτόμων δημοσιεύσεων είναι (α) Πρόβλεψη κατανομής επισκεπτών για μεγάλες εκδηλώσεις σε έξυπνες πόλεις, (β) Πρόβλεψη επόμενης θέσης για πλοία που χρησιμοποιούν LSTM Νευρωνικά δίκτυα και δεδομένα τροχιάς, (γ) Χρησιμοποιώντας τα νευρωνικά δίκτυα LSTM ως προγνωστικούς παράγοντες αξιοποίησης πόρων: Η περίπτωση της εκπαίδευσης μοντέλων βαθιάς μάθησης σε υπολογιστική των άκρων, (δ) Πρόβλεψη χρήσης πόρων σε υπολογιστικές υποδομές των άκρων με CNN και ένα μοντέλο υβριδικής Μπευζιανής βελτιστοποίησης υπερπαραμέτρων με την μέθοδο σμήνους σωματιδίων και (ε) Υπερτονισμός GRU νευρωνικών δικτύων με την υβριδική Μπευζιανή-εξελικτική στρατηγική για πρόβλεψη χρήσης πόρων στην υπολογιστική των άκρων.	el
heal.advisorName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	87 σ.	el
heal.fullTextAvailability	false