Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/teiep/1284Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Κυριώτη, Στεφανία | el |
| dc.contributor.author | Σαριπαπάζογλου, Ντομινίκ | el |
| dc.date.accessioned | 2014-08-25T13:46:26Z | - |
| dc.date.available | 2014-08-25T13:46:26Z | - |
| dc.date.issued | 2014-08-25 | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/teiep/1284 | - |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.subject | Νευρωνικά δίκτυα | el |
| dc.subject | Μάθηση | el |
| dc.subject | Ταξινόμηση | el |
| dc.subject | Γενίκευση | el |
| dc.subject | Πόλωση μοντέλων | el |
| dc.title | Βιβλιοθήκη νευρωνικού δικτύου | el |
| heal.type | bachelorThesis | - |
| heal.classification | Νευρωνικά δίκτυα (Πληροφορική) | el |
| heal.dateAvailable | 2024-01-10T23:23:32Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Τ.Ε.Ι. Ηπείρου | el |
| heal.publicationDate | 2004-10 | - |
| heal.abstract | Η παρούσα διπλωματική εργασία έχει σαν στόχο της, την εισαγωγή σε βασικές έννοιες των Νευρωνικών Δικτύων. Ειδικότερα αναλύονται τα θέματα της μάθησης, της ταξινόμησης, γενίκευσης και της κατηγοριοποίησης. Στο προγραμματιστικό μέρος της εργασίας υλοποιήθηκαν δύο βιβλιοθήκες. Η πρώτη αφορά τον αλγόριθμο των κ-κοντινότερων γειτόνων και η δεύτερη τον αλγόριθμο του νευρωνικού δικτύου ενός επιπέδου. Για να δούμε και στην πράξη την λειτουργία τους, δημιουργήθηκαν παραδείγματα που αναδεικνύουν τις δυνατότητες και τα μειονεκτήματα των αντίστοιχων προγραμμάτων. Το πρώτο κεφάλαιο ξεκινάει με την παράθεση ορισμών που κατά καιρούς έχουν δοθεί για τα Νευρωνικά Δίκτυα. Στη συνέχεια, παρουσιάζονται οι ιδιότητες και ορισμένες εφαρμογές των δικτύων, καθώς και μία συνοπτική ιστορική αναδρομή. Η μάθηση είναι μια θεμελιώδης ιδιότητα των νευρωνικών δικτύων και είναι το αντικείμενο του δεύτερου κεφαλαίου. Η έννοια της μάθησης διακρίνεται σε δύο διαφορετικά είδη, την μάθηση με επίβλεψη και την μάθηση χωρίς επίβλεψη. Επίσης, παρουσιάζονται αναλυτικά και οι βασικοί τομείς της ταξινόμησης και γενίκευσης. Στο τρίτο κεφάλαιο αναπτύσσουμε την έννοια και τον τρόπο λειτουργίας του ταξινομητή των κ-κοντινότερων γειτόνων μέσα από πραγματικές εφαρμογές. Επίσης, υλοποιήθηκαν κάποια παραδείγματα από τα οποία εξάγαμε συμπεράσματα για την λειτουργία του αλγορίθμου. Στο κεφάλαιο που αναφέρεται στα νευρωνικά δίκτυα ενός επιπέδου, περιγράφεται ο αλγόριθμος εκπαίδευσης του δικτύου και τα προβλήματα στα οποία δίνουν λύσεις. Παράλληλα αναλύονται τα βασικά χαρακτηριστικά τους, όπως τα βάρη και η συνάρτηση ενεργοποίησης. Τα παραδείγματα που παραθέτονται δείχνουν την ικανότητα ή αδυναμία του δικτύου να γενικεύει. Η πρακτική αξιοποίηση αυτής της εργασίας μπορεί να γίνει και εάν χρησιμοποιήσουμε τα προγράμματα που αναπτύχθηκαν αυτούσια και πολύ περισσότερο με τον περαιτέρω εμπλουτισμό τους. Το πρόγραμμα των κ-κοντινότερων γειτόνων που δημιουργήσαμε στο πρώτο στάδιο αυτής της εργασίας, ταξινομεί νέα πρότυπα σε κατηγορίες με βάση τους κοντινότερους γείτονες του σημείου. Ο κώδικας αυτού του αλγορίθμου μπορεί να γίνει πολύ χρήσιμος στην αντιμετώπιση προβλημάτων, είτε αυτούσιος είτε με την υλοποίηση πιο σύνθετων συναρτήσεων για την εύρεση των κοντινότερων γειτόνων. Ανάλογα με την πολυπλοκότητα του προβλήματος, επιλέγουμε την κατάλληλη συνάρτηση η οποία αποδίδει καλύτερα. Από την άλλη, ο αλγόριθμος του νευρωνικού δικτύου ενός επιπέδου που αναπτύχθηκε επιτρέπει την περαιτέρω ανάπτυξη του με σκοπό την υλοποίηση μιας πιο σύνθετης εφαρμογής. Με άλλα λόγια το προγραμματιστικό μέρος της εργασίας μπορεί να χρησιμοποιηθεί στην ανάπτυξη νευρωνικών δικτύων ανώτερου επιπέδου (MLP, Hopfield, κ.α ). Βέβαια ο αλγόριθμος αυτός μπορεί να χρησιμοποιηθεί και στη μορφή που είναι ήδη, για την επίλυση προβλημάτων π.χ κατηγοριοποίησης. Πραγματικά δεδομένα απαλλαγμένα από θόρυβο θα επιτρέψουν στο δίκτυο να κατηγοριοποιήσει με ικανοποιητικά ποσοστά και να δώσει λύσεις σε πραγματικά προβλήματα. | el |
| heal.advisorName | Τσούλος, Ιωάννης | el |
| heal.academicPublisher | Τ.Ε.Ι. Ηπείρου, Σχολή Διοίκησης και Οικονομίας, Τμήμα Τηλεπληροφορικής και Διοίκησης | el |
| heal.academicPublisherID | teiep | - |
| heal.numberOfPages | 88 | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Προπτυχιακές εργασίες Τμ. Μηχανικών Πληροφορικής Τ.Ε. | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| tlp_000171.pdf | Πτυχιακή εργασία | 927.56 kB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
