| dc.contributor.advisor | Ραγκούση, Μαρία | |
| dc.contributor.author | Καραγιάννης, Αντώνιος | |
| dc.contributor.author | Σιφακάκης, Κωνσταντίνος | |
| dc.date.accessioned | 2019-10-29T12:15:44Z | |
| dc.date.available | 2019-10-29T12:15:44Z | |
| dc.date.issued | 2019-10-10 | |
| dc.identifier.uri | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5071 | |
| dc.description.abstract | Η Βαθιά Μηχανική Μάθηση, που εκφράζεται κυρίως μέσω των Βαθέων Νευρωνικών Δικτύων, αποτελεί έναν πολύ διάσημο κλάδο της Επιστήμης Υπολογιστών. Η ικανότητά της να επιλύει προβλήματα που με τον συμβατικό προγραμματισμό θα ήταν αδύνατο να αντιμετωπιστούν την καθιστά ένα πολύ σπουδαίο εργαλείο. Θέμα της παρούσας πτυχιακής εργασίας είναι η μελέτη και υλοποίηση των νευρωνικών δικτύων τύπου Deep Belief Networks, τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο. Στόχος είναι η διερεύνηση και ανάλυση του θεωρητικού υπόβαθρου των Νευρωνικών Δικτύων καθώς και πως αυτά συνεισφέρουν στη δομή των δικτύων βαθιάς μάθησης, διευκρινίζοντας τις επιμέρους τεχνικές που εμπεριέχουν. Προς απόδειξη της θεωρίας, προχωρήσαμε στην υλοποίηση ενός αλγορίθμου Deep Belief Network στο περιβάλλον Matlab με στόχο την ταξινόμηση ενός συνόλου 10.000 εικόνων, πράγμα που επιτυγχάνεται με μεγάλη ακρίβεια. Τέλος, παρουσιάζουμε τα αποτελέσματα εξάγοντας το τελικό σφάλμα εκπαίδευσης και αναγνώρισης σε ποσοστά. Η δομή της πτυχιακής έχει την εξής μορφή. Στο πρώτο κεφάλαιο συγκεντρώνεται η θεωρία περιγράφει τόσο τα βιολογικά όσο και τα τεχνητά νευρωνικά δίκτυα. Στο δεύτερο κεφάλαιο παρουσιάζονται οι τεχνικές σχεδίασης και εκπαίδευσης για Δίκτυα Βαθείας Μάθησης. Τέλος, στο τρίτο κεφάλαιο αναπτύσσεται ένα παράδειγμα δικτύου DBN που εκπαιδεύεται για να ταξινομεί ψηφιακές εικόνες, και εκτιμώνται τα αποτελέσματά του. | el |
| dc.format.extent | 52 | el |
| dc.language.iso | el | el |
| dc.publisher | Α.Ε.Ι. Πειραιά Τ.Τ. | el |
| dc.subject | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) | el |
| dc.title | Τεχνητά νευρωνικά δίκτυα και μέθοδοι βαθείας μάθησης | el |
| dc.title.alternative | Artificial neural networks and deep learning | el |
| dc.type | Πτυχιακή εργασία | el |
| dc.contributor.committee | Παπαγέωργας, Παναγιώτης | |
| dc.contributor.committee | Ραγκούση, Μαρία | |
| dc.contributor.committee | Κωστής, Ιωάννης | |
| dc.contributor.department | Τμήμα Ηλεκτρονικών Μηχανικών Τ.Ε. | el |
| dc.contributor.faculty | Σχολή Τεχνολογικών Εφαρμογών | el |
| dc.subject.keyword | Τεχνητά νευρωνικά δίκτυα | el |
| dc.subject.keyword | Βαθιά μάθηση | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Μάθηση με επίβλεψη | el |
| dc.subject.keyword | Ομαδοποίηση | el |
| dc.subject.keyword | Επεξεργασία εικόνας | el |
| dc.subject.keyword | Αρχιτεκτονική ΑΝΝ | el |
| dc.subject.keyword | Νευρωνικά δίκτυα | el |
| dc.description.abstracttranslated | Deep Machine Learning, which is mainly expressed via the Deep Neural Networks, is a very popular field in Computer Science. The fact that they can solve many problems, which they would be very difficult to solve using conventional programming, makes Deep Neural Networks a very useful tool. This degree thesis focuses on the study and implementation of Deep Belief Networks, both from a theoretical and a practical aspect. Our aim is to investigate and analyze the theoretical background of Neural Networks and how they contribute to the structure of deep neural networks, explaining the specific techniques that they utilize.
As a proof-of-concept, we have developed an example of a Deep Belief Network in the Matlab IDE Through this sample network we accurately classify images using a set of 10,000 digital images. Finally, we present the results by extracting the final In-Sample and Out-Of-Sample errors. The thesis structure is as follows: The first chapter covers the theoretical aspects of ANN and deep learning and examines both biological and artificial neural networks. In the second chapter we present all the methods and techniques that design and train a Deep Learning Network. Finally, in the third chapter we develop an example case where a DBN network is built in Matlab and trained to classify digital images. Results and discussion follow. | el |
