3. Tεχνικές Αναφορές | Technical Reports

Permanent URI for this community

https://hdl.handle.net/10889/1350

Browse

Browsing 3. Tεχνικές Αναφορές | Technical Reports by Author "Ioannis, Livieris"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Restricted
    A memoryless BFGS neural network training algorithm
    (2010-03-08T08:35:14Z) Marianna, Apostolopoulou; Dimitris, Sotiropoulos; Ioannis, Livieris; Panagiotis, Pintelas; Μαριάννα, Αποστολοπούλου; Δημήτρης, Σωτηρόπουλος; Ιωάννης, Λιβιέρης; Παναγιώτης, Πιντέλας
    Τμήμα Μαθηματικών (Τεχνικές Αναφορές)
    Σε αυτή την εργασία, προτείνουμε ένα νέο αλγοριθμικό μοντέλο για την εκπαίδευση νευρωνικών δικτύων βασισμένο σε μια τροποποίηση της μεθόδου BFGS χωρίς μνήμη το οποίο ενσωματώνει καμπυλόγραμμη αναζήτηση. Το προτεινόμενο μοντέλο ενσωματώνει τη μη-κυρτότητα της συνάρτησης σφάλματος αντλώντας πληροφορίες από το ιδιοσύστημα των πινάκων BFGS χωρίς μνήμη και χρησιμοποιεί ένα ζεύγος κατευθύνσεων: μια κατεύθυνση quasi-Newton χωρίς μνήμη και μια κατεύθυνση αρνητικής κυρτότητας. Επιπλέον, ο υπολογισμός της κατεύθυνσης της αρνητικής κυρτότητας πραγματοποιείται αποφεύγοντας την αποθήκευση και την παραγοντοποίηση πίνακα. Τα αριθμητικά αποτελέσματα επαληθεύουν ότι η προτεινόμενη μέθοδος βελτιώνει σημαντικά την αποδοτικότητα της διαδικασίας εκπαίδευσης.
  • Thumbnail Image
    Item
    Open Access
    Reviewing machine learning techniques for predicting anxiety disorders.
    Theodore, Kotsilieris; Emmanouil, Pintelas; Ioannis, Livieris; Panagiotis, Pintelas
    Τμήμα Μαθηματικών (Τεχνικές Αναφορές)
    Anxiety disorders are a type of mental disorders characterized by important feelings of fear and anxiety. In recent years, the evolution of machine learning techniques has helped greatly to develop tools assisting doctors to predict mental disorders and support patient care. In this work, a comparative literature search was conducted on research for the prediction of specific types of anxiety disorders and suicide tendency, using machine learning techniques. Eighteen (18) studies were examined, revealing that machine learning techniques can be used for predicting anxiety disorders and two (2) additional studies were examined for predicting suicide tendencies. The accuracy of the results varies according to the type of anxiety disorder and the type of methods utilized for predicting the disorder. We can deduce that significant work has been done on the prediction of anxiety using machine learning techniques. However, in the future we may achieve higher accuracy scores and that could lead to a better treatment support for patients.