Σε ένα ραγδαίως εξελισσόμενο Πολιτισμό, όπως αυτό που ζούμε, ο ρόλος της «Γνώσης» με τη μορφή των δεδομένων, των συσχετίσεών τους και της παραγωγής νέας «πληροφορίας» είναι πια ένα καθημερινό πλαίσιο γεγονότων στην ανθρώπινη δραστηριότητα. Η χρήση των «υπολογιστικών μηχανών», που επέφερε η ανάπτυξη των Τεχνολογιών και ειδικά αυτή της Πληροφορικής αλλά και άλλων επιστημονικών τομέων, σε τομείς της αξιοποίησης τέτοιων δεδομένων στην υπηρεσία των ανθρώπινων δραστηριοτήτων, οδηγεί σε νέους ορίζοντες την «μηχανιστική» συμπεριφορά των «υπολογιστικών μηχανών – συστημάτων».
Σε αυτά τα πλαίσια, στην παρούσα εργασία παρουσιάζεται μία αξιολόγηση ορισμένων αλγορίθμων της Ενεργής Μάθησης ως συνδυασμός των “Στρατηγικών των Ερωτημάτων” της Ενεργής Μάθησης και του “Κατηγοριοποιητή” των Νευρωνικών Δικτύων για τα δεδομένα, σε μία θεώρηση ως προς την συνολική απόδοση του υιοθετούμενου κάθε φορά «μοντέλου μάθησης». Η απόδοση εξετάζεται με βάση τις παραμέτρους της α) Ταχύτητας εκτέλεσης νέων ταξινομήσεων, β) Το ελάχιστου απαιτούμενου πλήθους δεδομένων για εκπαίδευση, και γ) η επίδραση των παραμέτρων του Νευρωνικού Δικτύου στις συνολικές επιδόσεις.
Επίσης, παρουσιάζεται ένας αλγόριθμος Νευρωνικού Δικτύου, που αναπτύχθηκε σε γλώσσα Java, ο οποίος πετυχαίνει τουλάχιστον τριπλασιασμό στην ταχύτητα νέων ταξινομήσεων, κατά τους επαναληπτικούς υπολογισμούς του Νευρωνικού Δικτύου σε σχέση με τους υπάρχοντες στα περιβάλλοντα Weka και JCLAL. Ο κύριος σκοπός της παρούσας μελέτης είναι, μέσα από αυτή τη διερεύνηση των αποδόσεων των αλγορίθμων στρατηγικής ερωτημάτων (Query strategies), να «αποκαλυφθούν» οι ρόλοι ορισμένων εμπλεκόμενων παραμέτρων στον συνολικό συνδυασμό των μεθόδων και η επίδρασή τους στην τελικό αποτέλεσμα στη χρήση του «μοντέλου μάθησης».
Τέλος, προτείνονται τρόποι βελτίωσης και επέκτασης ανάλογων τέτοιων τεχνικών, ως καθοριστικά εργαλεία στην ανάπτυξη του επιστημονικού και τεχνολογικού πεδίου της «Ενεργής Μηχανικής Μάθησης».
In a rapidly evolving Civilization, as the one we live in, the roles of Human ‘Knowledge’ in the forms of data and their in-between relations, and the production of new ‘Information’, is nowadays a routine framework of events in our daily life. The usage of “processing machines”, that was introduced as an outcome of the development of various Technological Sciences and especially of that of Computer Science and Technology and other related Scientific fields, into the promotion and improvement of servicing various cases in Human activities, leads to new horizons as they emerge from the ‘mechanistic behavior’ of such machines and systems.
In a following of such framework, the present work describes the evaluation of performance of the main ‘strategic querying’ algorithms, under the framework of Active Machine Learning, as they perform in a combination with a Neural Network in the role of ‘classifier’, from the results acquired for some ‘Active Learning’ method models. That performance is estimated with respect to some certain parameters, such as the a) speed of algorithm execution in classifying new data instances, b) the minimal training data set sizes, and c) the influence of the Neural Network parameters in the overall performance of the models.
Also, an algorithm of NeuralNetwork type of processing is described, as it turns out that it speeds up the computational time need for NeuralNetwork new classifications by at least three times up in comparison with the speed performance, in suc new classifications, presented by the ones used as NeuralNetworks standard processing algorithms of the development frameworks of WEKA and JCLAL. The main purpose of this present study is to examine the performance of algorithms used in Active Machine Learning in order to consider the main playing roles of some of the engaged parameters and their influence on the overall performance in new classifications of the already ‘trained model’. As a concluding step, some directions to improve and extend the used techniques are discussed and proposed.
Αξιολόγηση Αλγορίθμων Ενεργής Μηχανικής Μάθησης