Μονάδα:
Κατεύθυνση Λογική και Θεωρία Αλγορίθμων και ΥπολογισμούΒιβλιοθήκη Σχολής Θετικών Επιστημών
Ημερομηνία κατάθεσης:
2017-07-11
Συγγραφέας:
Τελώνη Πελαγία
Στοιχεία επιβλεπόντων καθηγητών:
Άρης Παγουρτζής, Αναπληρωτής Καθηγητής, Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών, ΕΜΠ
Πρωτότυπος Τίτλος:
Transfer k-means: a new supervised clustering approach
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Transfer k-means: μια νέα προσέγγιση επιτηρούμενης συσταδοποίησης
Περίληψη:
Η επιτηρούμενη και η μη-επιτηρούμενη μάθηση είναι δύο θεμελιώδη σχήματα μάθησης, των οποίων η διαφορά έγγυται
στην παρουσία και απουσία ενός καθηγητή (δηλαδή μιας οντότητας που παρέχει παραδείγματα) αντίστοιχα. Από την άλλη πλευρά,
η μεταφορά μάθησης είναι μια ιδέα που στοχεύει να βελτιώσει την μάθηση ενός έργου χρησιμοποιώντας βοηθητική γνώση.
Ο στόχος της παρούσας διπλωματικής είναι να διερευνήσει πως αυτά τα δύο θεμελιώδη παραδείγματα μάθησης,
επιτηρούμενη και μη-επιτηρούμενη μάθηση, μπορούν να συνεργαστούν στο πλαίσιο της μεταφοράς μάθησης.
Ως αποτέλεσμα, αναπτύξαμε τη μέθοδο transfer-$K$means, μια παραλλαγή της δημοφιλής ευριστικής μεθόδου $K$means, που βασίζεται στην μεταφορά μάθησης.
Η προτεινόμενη μέθοδος εμπλουτίζει την μη-επιτηρούμενη φύση του $K$means χρησιμοποιώντας επιτήρηση
από ένα διαφορετικό αλλά σχετικό χώρο ως τεχνική αρχικοποίησης των συστάδων, με σκοπό να βελτιώσει
την απόδοση της ευριστικής αυτής μεθόδου. Παρέχουμε προσεγγιστικές εγγυήσεις σύμφωνα με την φύση της εισόδου
και επαληθεύουμε πειραματικά τα οφέλη του transfer-$K$means χρησιμοποιώντας κείμενα σε φυσική γλώσσα ως
ρεαλιστική εφαρμογή.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λοιπές θεματικές κατηγορίες:
Αλγόριθμοι υπολογιστών
Λέξεις-κλειδιά:
συσταδοποίηση, μηχανική μάθηση, προσαρμογή τομέα, εκτίμηση λόγου κατανομών, επεξεργασία φυσικής γλώσσας
Αρ. σελίδων ευρετηρίου:
0
Αρ. βιβλιογραφικών αναφορών:
81
