Ανάλυση των SVM (Support Vector Machines) νευρωνικών δικτύων και λογισμικού εφαρμογών

Abstract

Στην παρούσα πτυχιακή εργασία αναπτύσσονται τα νευρωνικά δίκτυα και συγκεκριμένα οι αλγόριθμοι εκμάθησης Suppω·t Vectoι- Macl1i11e. Οι Μηχανές Διανυσμάτων Υποστήριξης (SVM) αποτελούν μία σύγχρονη αποτελεσματική προσέγγιση της επίλυσης ζητημάτων κατηγοριοποίησης. Με κατάλληλες διαφοροποιήσεις και επεκτάσεις της βασικής μεθοδολογίας κατηγοριοποίησης σε δύο κλάσεις μπορούν να επιλυθούν προβλήματα περισσότερων κλάσεων, παλινδρόμησης (ι-egι-ession) και αναγνώρισης προτύπων. Η μεθοδολογία αυτή προέκυψε από τη βαθύτερη ανάλυση της στατιστικής θεωρίας μάθησης (statistical learning theory). Αναλύουμε τον τρόπο λειτουργίας τους καθώς και το λόγο που είναι τόσο αξιόπιστα και δημοφιλή στις ακαδημαϊκές και επιστημονικές κοινότητες . Χρησιμοποιήθηκε το πειραματικό πρόγραμμα του Πανεπιστημίου της Ταϊβάν LibSVM διότι αυτό αποτελεί μια από τις λίγες και επικρατέστερες επιλογές απόδοσης τεχνικών νευρωνικών δικτύων με αλγόριθμους SVM, ψηφιακά. Τα παραδείγματα που χρησιμοποιήθηκαν στην εκπόνηση αυτής της εργασίας αποτελούν πραγματικά δεδομένα. Καθότι είναι αρκετά δύσκολο να συγκεντρωθούν τα δεδομένα αυτά εκ νέου, χρησιμοποιήσαμε την ιστοσελίδα του UCI(Machine Learning Repository) λόγω του όγκου των πληροφοριών που περιείχε. Ο όγκος αυτός είναι απαραίτητος για ένα τέτοιο σύστημα κι αυτό γιατί όσα περισσότερα στοιχεία έχουμε για κάθε παράδειγμα τόσο πιο ακριβής είναι η πρόβλεψη.