«Deep Learning και Machine Learning: Καταλληλότητα μοντέλων για χρήση σε εφαρμογές Διάχυτου Υπολογισμού»

Deep Learning and Machine Learning: Suitability of models for use in ubiquitous computing applications. (Αγγλική)

  1. MSc thesis
  2. Τσεμεκίδου, Ευδοξία
  3. Συστήματα Κινητού και Διάχυτου Υπολογισμού (ΣΔΥ)
  4. 29 Σεπτεμβρίου 2020 [2020-09-29]
  5. Ελληνικά
  6. 163
  7. Καμέας, Αχιλλέας
  8. Καμέας, Αχιλλέας | Παναγιωτακόπουλος, Θεόδωρος
  9. Βαθιά Μάθηση | Διάχυτος Υπολογισμός | Διαδίκτυο των Πραγμάτων | Περιρρέουσα Νοημοσύνη | Μεγάλα Δεδομένα | Μηχανική Μάθηση | Σφαίρες Δραστηριότητας | Artificial Intelligence | Big Data | Deep Learning | Internet of Things | Machine Learning | Ubiquitous Computing | Activity Spheres
  10. 2
  11. 399
  12. Περιέχει: πίνακες, σχήματα, εικόνες
  13. Ζητήματα Ανάπτυξης Συστημάτων Διάχυτου Υπολογισμού που σχετίζονται με τον Άνθρωπο και την Κοινωνία / Ιωάννης Ζαχαράκης, Ανδρέας Κομνηνός και Βασίλειος Κουτκιάς
    • Στην εργασία αυτή διερευνούνται και καταγράφονται τα μοντέλα deep learning και machine learning που είναι διαθέσιμα αυτή την στιγμή και αξιολογείται η δυνατότητα εφαρμογής τους σε εφαρμογές Διάχυτου Υπολογισμού. Ένα από τα πιο δημοφιλή πεδία αυτή την στιγμή στην Πληροφορική είναι το DeepLearning και το MachineLearning και οι εφαρμογές που έχουν σε διάφορους τομείς και σε διαφορετικές χρήσεις. Στόχος της εργασίας είναι η καταγραφή και η αξιολόγηση των διαθέσιμων μοντέλων DeepLearning και MachineLearning και των χαρακτηριστικών τους σε σχέση με τις εφαρμογές Διάχυτου Υπολογισμού. Ποια τα πλεονεκτήματα και οι αδυναμίες του κάθε μοντέλου. Ποια από τις δύο προσεγγίσεις είναι καταλληλότερη για εφαρμογές Διάχυτου Υπολογισμού και γιατί. Γίνεται επιλογή του καταλληλότερου μοντέλου και σχεδιάζεται μια θεωρητική εφαρμογή, χρησιμοποιώντας σαν παράδειγμα την θεωρία των σφαιρών δραστηριότητας.
    • This work investigates and records the deep learning and machine learning models that are currently available and evaluates their ability to be applied in Ubiquitous computing applications. One of the most popular fields at the moment in IT is “Deep Learning” and “Machine Learning” and the applications they have in different fields and in different uses. The aim of this work is to record and evaluate the available Deep Learning and Machine Learning models and their characteristics in relation to Ubiquitous computing applications. What are the advantages and weaknesses of each model. Which of the two approaches is more suitable for Ubiquitous computing applications and why. The most appropriate model is selected and a theoretical application is designed, using as an example the theory of activity spheres.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.