Μηχανική Μάθηση, Συστήματα συστάσεων, Μάθηση που βασίζεται στα στιγμιότυπα, Κοντινότεροι γείτονες
ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΏΝ ΣΠΟΥΔΏΝ ΠΛΣ/ΠΛΣ60
2
23
Περιλαμβάνει: Πίνακες, Διαγράμματα, Εικόνες
Η μηχανική μάθηση (Machine Learning) είναι τμήμα της τεχνητής νοημοσύνης που εστιάζει στην ανάπτυξη αλγορίθμων που επιτρέπουν στους υπολογιστές να «μαθαίνουν» και να λαμβάνουν αποφάσεις ή να κάνουν προβλέψεις χωρίς ρητό προγραμματισμό. Εφοδιασμένη με ένα σύνολο τεχνικών και εργαλείων, τα οποία συνεχώς εξελίσσονται με επιτρέπουν στους υπολογιστές να «σκέφτονται» δημιουργώντας μαθηματικούς αλγορίθμους που βασίζονται σε δεδομένα.
Στην παρούσας εργασίας γίνεται μελέτη και ανάλυση σημαντικών αλγορίθμων ενός πεδίου της μηχανικής μάθησης, της μάθησης που βασίζεται σε στιγμιότυπα (Instance Based Learning) με απώτερο σκοπό την υλοποίηση ενός συστήματος συστάσεων (Recommendation System). Στο δεύτερο κεφάλαιο αναλύονται τα βασικότερα είδη συστημάτων συστάσεων όπως επίσης και μερικές από τις σημαντικότερες μεθόδους της μάθησης βασισμένης σε στιγμιότυπα όπως οι κοντινότεροι γείτονες.
Κατόπιν στο τρίτο κεφάλαιο της εργασίας παρουσιάζεται το πρόβλημα το οποίο καλούμαστε να λύσουμε. Το κεφάλαιο ολοκληρώνεται με την λεπτομερή ανάλυση των δεδομένων του προβλήματος
Ενώ στην τέταρτη ενότητα περιγράφεται η υλοποίηση του συστήματος και η εφαρμογή επιλεγμένου αλγορίθμου μάθησης βασισμένης σε στιγμιότυπα. Τέλος στο πέμπτο κεφάλαιο με το οποίο κλείνει η παρούσα εργασία παρουσιάζονται τα συμπεράσματα και προτείνονται κάποιες βελτιώσεις.
Machine learning is a branch of artificial intelligence that focuses on the development of algorithms that allow computers to "learn" and make decisions or predictions without explicit programming. Equipped with a set of techniques and tools that are constantly evolving, computers are able to "think" by creating mathematical algorithms based on data.
This diploma examines and analyzes important algorithms in a field of machine learning called Instance Based Learning. The purpose is to implement a Recommendation System. The second chapter discusses the basic types of recommendation systems, as well as some of the most significant methods of instance-based learning, such as nearest neighbors.
Subsequently, the third chapter presents the problem we are called to solve, concluding with a detailed analysis of the problem's data.
Finally, in the forth section, contain the description of the implementation of the system, along with the selected instance-based learning algorithm that was applied on the data. Finally, in the fifth chapter, which closes this paper, the conclusions are presented and some improvements of the system are proposed.
