Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/29518Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Σικαλόπουλος, Δημήτριος | el |
| dc.date.accessioned | 2019-12-05T08:42:10Z | - |
| dc.date.available | 2019-12-05T08:42:10Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/29518 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.9593 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Νευρωνικά δίκτυα | el |
| dc.subject | Επεξεργασία φυσικής γλώσσας | el |
| dc.subject | Γραμματικές | el |
| dc.subject | Neural networks | en |
| dc.subject | Natural language processing | en |
| dc.subject | Grammars | en |
| dc.title | Νευρωνικά δίκτυα και επεξεργασία φυσικής γλώσσας | el |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Νευρωνικά δίκτυα | - |
| heal.dateAvailable | 2019-12-05T08:43:10Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μαθηματικών | el |
| heal.publicationDate | 2019 | - |
| heal.bibliographicCitation | Βιβλιογραφία: σ. 122-123 | el |
| heal.abstract | Τα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) είναι ένα υπολογιστικό μοντέλο η έμπνευση του οποίου προήλθε από τα Βιολογικά Νευρωνικά Δίκτυα. Τα ΤΝΔ έχουν δώσει αισιόδοξα μηνύματα τα τελευταία χρόνια για την αποτελεσματικότητα στην έρευνα και στις αξιόπιστες εφαρμογές τους στην Αναγνώριση Ομιλίας, στην Υπολογιστική Όραση, στην Επεξεργασία Κειμένου κ.ά. Σκοπός της διατριβής αυτής είναι η παρουσίαση της συμβολής των ΤΝΔ στην εξέλιξη και αξιοποίησή τους στον τομέα της Επεξεργασίας Φυσικής Γλώσσας (ΕΦΓ). Στο Κεφάλαιο 1 παρουσιάζονται ο σημαντικός ρόλος των μαθηματικών μοντέλων των Γραμματικών στην ΕΦΓ και οι σημαντικότεροι σταθμοί της εξέλιξης των Γραμματικών που οδήγησαν στις περαιτέρω μεθόδους και τεχνικές. Aναπτύσσονται τα θεμελιώδη εργαλεία των ΤΝΔ τα οποία είναι πρωτοποριακοί αλγόριθμοι, σε αντίθεση με τους μέχρι τώρα παραδοσιακούς αλγορίθμους της βιβλιογραφίας. Οι αλγόριθμοι αυτοί ορίζονται αφενός ως Μέθοδοι Εκμάθησης Μηχανής, δηλαδή αλγόριθμοι εκμάθησης της μηχανής των συνθηκών για την αντιμετώπιση των προδιαγραφών/δεδομένων συγκεκριμένου προβλήματος και αφετέρου ως Μέθοδοι Εκμάθησης Βάθους, δηλαδή αλγόριθμοι εκπαίδευσης της μηχανής για την αντιμετώπιση παρόμοιων προδιαγραφών προβλημάτων. επίσης, παραθέτονται παραδείγματα και συγκρίσεις αυτών με τους παραδοσιακούς αλγόριθμους. Το Κεφάλαιο 2 συμπληρώνεται με την παρουσίαση των Μεθόδων των ΤΝΔ, το οποίο πλαισιώνεται από ορισμούς, ταξινομήσεις ΝΔ, και παραδείγματα εφαρμογών τους. Στο Κεφάλαιο 3 αναφέρονται οι πολύ πρόσφατες μέθοδοι και παραδείγματα που στοιχειοθετούν τις σύγχρονες εξελίξεις και εφαρμογές των ΤΝΔ στην ΕΦΓ. Στο Κεφάλαιο 4 παραθέτονται οι προτάσεις μας για περαιτέρω έρευνα που αφορά στα ΤΝΔ και την ΕΦΓ. Συγκεκριμένα στην υλοποίηση της Μεθόδου Επεξεργασίας της Νέας Ελληνικής Γλώσσας που προτείνεται από: τις Μητροειδείς και τις Σπονδυλωτές Μητροειδείς Γραμματικές – Χαρακτηριστικοί Εκθέτες, το Βασικό Νεοελληνικό Υπολογιστικό Πολυλεξικό (ΒΝΠ) και των αλγορίθμων του. Τέλος, στα Παρατήματα περιλαμβάνονται 2 Γλωσσάρια ελληνοαγγλικών και αγγλοελληνικών όρων της διατριβής αντίστοιχα. Στην αρχή κάθε Κεφαλαίου παρατίθενται λέξεις κλειδιά που αναφέρονται στο Κεφάλαιο και στο τέλος κάθε Κεφαλαίου η αντίστοιχη βιβλιογραφία του. | el |
| heal.abstract | Artificial Neural Networks (ANN) is a computational model inspired by Biological Neural Networks. ANNs have provided optimistic messages over recent years about research effectiveness and their reliable applications in Speech Recognition, Computer Vision, Text Processing, and so on. The purpose of this dissertation is to present the contribution of ANNs to their development and exploitation in the field of Natural Language Processing (NLP). Chapter 1 presents the important role of Grammar mathematical models in NLP and the most important stages in the evolution of Grammars that led to further methods and techniques. We develop the fundamental tools of ANNs, which are pioneering algorithms, as opposed to the traditional algorithms of the literature so far. These algorithms are defined on the one hand as Machine Learning Methods, that is, machine learning algorithms of the condition engine for dealing with specifications/data of a particular problem, and on the other hand as Deep Learning Methods, i.e. Machine Learning algorithms to deal with similar problem specifications. In addition, examples and comparisons of these with traditional algorithms are given. Chapter 2 is complemented by the presentation of the ANNs Methods, which is framed by definitions, Neural Network classifications, and examples of their applications. Chapter 3 lists the very recent methods and examples of the modern developments and applications of ANNs in NLP. Chapter 4 lists our suggestions for further research on ANNs and NLP. Specifically in the implementation of the Method of Modern Greek Language Processing proposed by: Template Grammars and Characteristic Exponents, Basic Modern Greek Language Computational Polylexicon and its algorithms. Finally, in the Appendices are included two glossaries of a Greek-English and an English-Greek basic dissertation terms correspondingly. At the beginning of each Chapter, keywords referred to the Chapter are listed and at the end of each Chapter, the corresponding bibliography is listed as well. | en |
| heal.advisorName | Μπαλτζής, Σωκράτης | el |
| heal.committeeMemberName | Μπαλτζής, Σωκράτης | el |
| heal.committeeMemberName | Γλυνός, Νικόλαος | el |
| heal.committeeMemberName | Σταματίου, Ιωάννης | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μαθηματικών | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 147 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΑΘ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. ΣΙΚΑΛΟΠΟΥΛΟΣ ΔΗΜΗΤΡΙΟΣ 2019.pdf | 2.73 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
