Αποτελέσματα 1 μέχρι 1 από 1

Θέμα: Παρουσίαση Προπτυχιακής Διπλωματικής Εργασίας

  1. #1
    vrahatis
    Guest

    Παρουσίαση Παρουσίαση Προπτυχιακής Διπλωματικής Εργασίας

    Σας ενημερώνουμε ότι η προπτυχιακή φοιτήτρια του Τμήματος Μαθηματικών κα. Αικατερίνη Δ. Αναστασοπούλου θα παρουσιάσει την προπτυχιακή διπλωματική της εργασία με θέμα «Μαθηματικές τεχνικές για την αναγνώριση προτύπων» στην αίθουσα B/M 235, την Τρίτη 10 Σεπτεμβρίου 2019 και ώρα 3:15 μμ.

    Η εξεταστική επιτροπή
    Ι. Δημητρίου
    Σ. Κωτσιαντής
    Μ. Βραχάτης (επιβλέπων)

    Περίληψη:

    Η παρούσα προπτυχιακή διπλωματική εργασία εστιάζει στη διαδικασία της Αναγνώρισης Προτύπων (Pattern Recognition) με τη χρήση γνωστών και ευρέως χρησιμοποιούμενων αλγορίθμων Μηχανικής Μάθησης (Machine Learning). Αναλύονται βασικοί ταξινομητές, ενώ ιδιαίτερη έμφαση δίνεται στο πεδίο των Τεχνητών Νευρωνικών Δικτύων (Artificial Neural Networks).

    Στο πρώτο μέρος της εργασίας αναλύονται τα στάδια της Προεπεξεργασίας των Δεδομένων (Data Preprocessing). Παρουσιάζονται μέθοδοι ενοποίησης δεδομένων από διαφορετικές βάσεις. Επίσης παρουσιάζονται μέθοδοι χειρισμού δεδομένων, τα οποία έχουν αλλοιωθεί από θόρυβο ή έχουν ελλιπείς τιμές και τα οποία γενικά έχουν σαν συνέπεια τη μείωση της αποδοτικότητας του εκάστοτε χρησιμοποιούμενου μοντέλου. Επίσης, αναλύονται μέθοδοι για την κανονικοποίηση των δεδομένων και μέθοδοι για τη διακριτοποίηση των δεδομένων. Τέλος, παρουσιάζονται τεχνικές για τη μείωση των διαστάσεων του συνόλου των δεδομένων. Από τη μελέτη και τα παραδείγματα που έχουν αναλυθεί διακρίνονται οι μέθοδοι που μπορούν να χρησιμοποιηθούν και ως μέθοδοι ταξινόμησης (classification methods).

    Στο δεύτερο μέρος της εργασίας αναλύονται βασικοί ταξινομητές, όπως είναι οι Μηχανές Διανυσματικής Υποστήριξης (Support Vector Machines), οι οποίες αποτελούν ένα σημαντικό και ευρέως χρησιμοποιούμενο αλγόριθμο ταξινόμησης. Επίσης αναλύεται η ανταπόκριση του αλγόριθμου των Μηχανών Διανυσματικής Υποστήριξης στις περιπτώσεις γραμμικών και μη γραμμικών προβλημάτων ταξινόμησης. Στη συνέχεια παρουσιάζονται εκτενέστερα βασικές έννοιες και μερικοί από τους πιο γνωστούς αλγορίθμους εκπαίδευσης Τεχνητών Νευρωνικών Δικτύων, διαπιστώνοντας έτσι, την σημασία τους όσον αφορά την αποδοτικότητα τους σε δεδομένα μεγάλου όγκου. Τέλος, η εργασία επικεντρώνεται στις αρχιτεκτονικές βαθιάς μάθησης και στον τρόπο με τον οποίο το μεγάλο πλήθος κρυφών επιπέδων των δικτύων επιδρά σε σημαντικό βαθμό στο τελικό αποτέλεσμα.
    Τελευταία επεξεργασία από dany; 11-09-2019 την 14:44.

Δικαιώματα Δημοσιεύσεων

  • Δεν επιτρέπεται να δημοσιεύσετε νέα θέματα
  • Δεν επιτρέπεται να επεξεργαστείτε τις απαντήσεις
  • Δεν επιτρέπεται να ανεβάσετε επισυναπτόμενα
  • Δεν επιτρέπεται να επεξεργαστείτε τις δημοσιεύσεις σας
  •  
  • BB κώδικας είναι Ενεργός
  • Smilies είναι Απενεργοποιημένα
  • [IMG] κώδικας είναι Ενεργός
  • [VIDEO] κώδικας είναι Ενεργός
  • HTML κώδικας είναι Ενεργός
Επικοινωνία
Εργαστήριο Η/Υ & Εφαρμογών
Πανεπιστημιούπολη, T.K. 265 00, Ρίο Πατρών
Τηλ: +30 2610 997280
Φαξ: +30 2610 997424
lcsa@math.upatras.gr
Ακολουθήστε μας
Ανάπτυξη & Συντήρηση Ιστοχώρου
Εργαστήριο Η/Υ & Εφαρμογών
Εργαστήριο Η/Υ & Εφαρμογών
Υπεύθ. Επικοινωνίας : Δ. Ανυφαντής (Ε.Τ.Ε.Π)