Αλγόριθμοι Βαθιάς Μηχανικής Μάθησης και Εξομάλυνση με χρήση της μεθόδου Dropout

Διπλωματική Εργασία uoadl:2698969 539 Αναγνώσεις

Μονάδα:
Κατεύθυνση / ειδίκευση Επεξεργασία-Μάθηση Σήματος και Πληροφορίας (ΕΜΠ)
Πληροφορική
Ημερομηνία κατάθεσης:
2018-03-13
Έτος εκπόνησης:
2018
Συγγραφέας:
Παπαϊωάννου Χαρίλαος
Στοιχεία επιβλεπόντων καθηγητών:
Σέργιος Θεοδωρίδης, Καθηγητής, Τμήμα Πληροφορικής & Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Πρωτότυπος Τίτλος:
Αλγόριθμοι Βαθιάς Μηχανικής Μάθησης και Εξομάλυνση με χρήση της μεθόδου Dropout
Γλώσσες εργασίας:
Ελληνικά
Μεταφρασμένος τίτλος:
Αλγόριθμοι Βαθιάς Μηχανικής Μάθησης και Εξομάλυνση με χρήση της μεθόδου Dropout
Περίληψη:
Σκοπός της παρούσας εργασίας είναι η ανάπτυξη μιας πληθώρας αλγορίθμων βαθιάς Μηχανικής Μάθησης και η έρευνα της σημασίας που έχει η εξομάλυνση με Dropout σε αυτούς. Η μεθοδολογία που ακολουθείται, αποτελείται από την μελέτη όλων των βασικών σημείων της θεωρίας κάθε μεθόδου, την προγραμματιστική ανάπτυξή της και, τέλος, τη διενέργεια πειραμάτων για τη διερεύνηση των επιμέρους θεμάτων που μας ενδιαφέρουν.
Το σύνολο της εργασίας κινείται στο ευρύτερο πεδίο των Τεχνητών Νευρωνικών δικτύων. Για τον λόγο αυτό, θεωρήθηκε σκόπιμη μια αναλυτική παρουσίαση των θεωρητικών τους βάσεων προτού περάσουμε στη μελέτη των πιο σύγχρονων τεχνικών. Τα πρώτα κεφάλαια εξυπηρετούν ακριβώς αυτόν τον σκοπό.
Στο τρίτο κεφάλαιο παρουσιάζεται η θεωρία γύρω από την εξομάλυνση καθώς και αναλυτικά η μέθοδος Dropout. Στα επόμενα κεφάλαια, μέχρι τα Συμπεράσματα, ακολουθείται η προσέγγιση που αναφέρθηκε παραπάνω. Μετά από τη θεωρητική παρουσίαση κάθε αλγορίθμου, προχωράμε στην ανάπτυξή του με χρήση της βιβλιοθήκης TensorFlow και, τελικά, εξετάζουμε τα πειραματικά μας αποτελέσματα.
Βλέπουμε πολλές αρχιτεκτονικές βαθιών πολυστρωματικών Νευρωνικών δικτύων για την αναγνώριση ψηφίων γραμμένων με το χέρι καθώς και ένα Convolutional Neural Network για τον ίδιο σκοπό. Ακόμα, μελετάμε την υλοποίηση ενός Recurrent Neural Network για τη μοντελοποίηση γλώσσας.
Σε όλους τους αλγορίθμους αναζητήσαμε τη σημασία της εξομάλυνσης μέσω του Dropout και διαπιστώσαμε πειραματικά την αύξηση της απόδοσης όλων, τη βελτίωση της γενικευτικής ικανότητας κάθε μοντέλου, όταν σε αυτό εφαρμόσαμε τη συγκεκριμένη μέθοδο εξομάλυνσης.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λοιπές θεματικές κατηγορίες:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
βαθιά-μηχανική-μάθηση, νευρωνικά-δίκτυα, εξομάλυνση, dropout, tensorflow
Ευρετήριο:
Ναι
Αρ. σελίδων ευρετηρίου:
6
Εικονογραφημένη:
Ναι
Αρ. βιβλιογραφικών αναφορών:
38
Αριθμός σελίδων:
90
thesis_papaioannou.pdf (3 MB) Άνοιγμα σε νέο παράθυρο