ΑΞΙΟΛΟΓΗΣΗ ΜΕΘΟΔΟΛΟΓΙΩΝ ΕΠΙΛΟΓΗΣ ΠΕΡΙΠΤΩΣΕΩΝ ΣΤΗ ΜΑΘΗΣΗ ΒΑΣΙΣΜΕΝΗ ΣΤΑ ΣΤΓΜΙΟΤΥΠΑ

  1. MSc thesis
  2. ΚΑΛΟΝΑΚΗ, ΑΙΚΑΤΕΡΙΝΗ
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. Οκτώβριος 2016 [2016-10]
  5. Ελληνικά
  6. 118
  7. ΚΩΤΣΙΑΝΤΗΣ, ΣΩΤΗΡΙΟΣ
  8. ΕΠΙΛΟΓΗ ΠΕΡΙΠΤΩΣΗΣ | PROTOTYPE SELECTION | ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ | MACHINE LEARNING | ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ | DATA MINING | ΜΑΘΗΣΗ ΜΕ ΕΠΙΒΛΕΨΗ | SUPERVISED LEARNING | ΜΕΘΟΔΟΙ ΤΑΞΙΝΟΜΗΣΗΣ | INSTANCE BASED LEARNING | ΕΚΜΑΘΗΣΗ ΒΑΣΙΣΜΕΝΗ ΣΤΑ ΣΤΙΓΜΙΟΤΥΠΑ | INSTANCE BASED LEARNING
  9. 1
  10. 60
  11. ΠΕΡΙΕΧΕΙ: ΠΙΝΑΚΕΣ, ΕΙΚΟΝΕΣ
    • Η μάθηση βασισμένη στα στιγμιότυπα είναι μία από τις πολλές μεθόδους μάθησης/εκπαίδευσης της μηχανικής μάθησης. Στις περισσότερες μεθόδους μηχανικής μάθησης κατασκευάζεται ένα μοντέλο από τα υπάρχοντα δεδομένα και έπειτα απλώς γίνεται η κατηγοριοποίηση για κάθε νέο παράδειγμα βασιζόμενη στο μοντέλο αυτό. Σε αντίθεση, στη μάθηση βασισμένη σε στιγμιότυπα αποθηκεύονται τα αρχικά δεδομένα ως έχουν, και κάθε φορά που ένα καινούριο παράδειγμα έρχεται προς κατηγοριοποίηση, τότε αυτή γίνεται ανάλογα με τα κ–κοντινότερα παραδείγματα. Είναι προφανές, ότι στην πρώτη περίπτωση ο υπολογιστικός χρόνος είναι αρκετά μικρότερος, αφού η εκπαίδευση γίνεται μόνο μια φορά στην αρχή, ενώ αντίθετα στην δεύτερη περίπτωση, κάθε φορά που έρχεται ένα νέο παράδειγμα γίνεται εκπαίδευση εξαρχής. Από την άλλη μεριά, η μάθηση βασισμένη στα στιγμιότυπα έχει το πλεονέκτημα ότι η εκπαίδευση γίνεται κάθε φορά με όλα τα υπάρχοντα παραδείγματα και όχι μόνο με τα αρχικά. Παρόλα αυτά, η προαναφερθείσα μάθηση αρχίζει να γίνεται απαγορευτική, όσο μεγαλώνει η κλίμακα (scale) του προβλήματος. Σε αυτή την περίπτωση, λύση προσπαθούν να δώσουν οι μεθοδολογίες επιλογής περιπτώσεων. Σε αυτή τη διπλωματική εργασία θα πραγματοποιηθεί μια σύγκριση των μεθοδολογιών επιλογής περιπτώσεων σε πραγματικά δεδομένα.
    • One of the many methods used for machine learning/training is the one based on instances. In most of these methods of machine learning a model is constructed from the existing data and afterwards each new instance is classified based on the constructed model. In contrast, in the instance-based learning method, the initial data are stored as such and each new instance is classified according to the k-nearest instances. Obviously, in the first case the computing time is much shorter since training is conducted only once in the beginning. On the other hand, in the instance-based learning method, each time a new instance appears training starts from the beginning. The advantage of the later method is that training is conducted each time with all existing instances and not only with the initial. Despite that, the use of this method is restricted when the number of instances increases. In this case, the solution is given by prototype selection methods. In the present thesis a comparison between the different methods of prototype selection will be conducted with the use of real data.
  13. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.