Τεχνητά νευρωνικά δίκτυα και εφαρμογές σε σύγχρονα προγραμματιστικά περιβάλλοντα
| dc.contributor.advisor | Βραχάτης, Μιχαήλ | |
| dc.contributor.author | Τεμπονέρας, Γεώργιος | |
| dc.contributor.committee | Κωτσιαντής, Σωτήριος | |
| dc.contributor.committee | Αλεβίζος, Παναγιώτης | |
| dc.contributor.other | Temponeras, Georgios | |
| dc.date.accessioned | 2018-08-28T09:01:55Z | |
| dc.date.available | 2018-08-28T09:01:55Z | |
| dc.date.copyright | 2018-05-21 | |
| dc.degree | Μεταπτυχιακή Εργασία | el |
| dc.description.abstract | Τα Τεχνητά Νευρωνικά Δίκτυα αποτελούν μια μορφή τεχνητής νοημοσύνης, τα oποία αποτελούνται από ένα σύνολο απλών, διασυνδεδεμένων και προσαρμοστικών μονάδων και αποτελούν μια προσπάθεια προσέγγισης της λειτουργίας του ανθρώπινου εγκεφάλου. Μπορούν να εκτελούν υπολογισμούς με παράλληλο μαζικό τρόπο και η αρχιτεκτονική τους βασίζεται σε αυτή των Βιολογικών Νευρωνικών Δικτύων. Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η μελέτη, η υλοποίηση και η εκπαίδευση Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) στα προγραμματιστικά περιβάλλοντα MATLAB και R. Πιο συγκεκριμένα, στο Κεφάλαιο 1 παρατίθονται εισαγωγικές έννοιες και όροι αναφορικά με τα ΤΝΔ. Επεξηγείται ο τρόπος λειτουργίας των ΤΝΔ, μέσω της περιγραφής των βασικών χαρακτηριστικών ενός ΤΝΔ, των αρχιτεκτονικών που χρησιμοποιούνται ευρέως στον χώρο, καθώς και των τρόπων σύμφωνα με τους οποίους τα ΤΝΔ εκπαιδεύονται κάνοντας ιδιαίτερη αναφορά στον αλγόριθμο οπισθοδιάδοσης σφάλματος (Error-backpropagation) και στο γενικευμένο κανόνα Δέλτα (Generalized Delta Rule). Το Κεφάλαιο 2 αφιερώνεται στην περιγραφή των δυνατοτήτων που παρέχουν τα παραπάνω προγραμματιστικά περιβάλλοντα αναφορικά με τα ΤΝΔ. Επιπλέον γίνεται περαιτέρω μελέτη αναφορικά με τους τομείς εφαρμογής των ΤΝΔ καθώς επίσης και η περιγραφή των βασικών προβλημάτων τα οποία προσεγγίζουν. Στο Κεφάλαιο 3 γίνεται η καταγραφή των διεργασιών που μπορούν να γίνουν με σκοπό την ανάπτυξη εφαρμογών. Ειδικότερα, παρουσιάζεται για το εκάστοτε περιβάλλον, το πλήθος των προσφερόμενων επιλογών από βιβλιοθήκες και η δυνατότητα τροποποίησης των αλγορίθμων εκπαίδευσης. Στο Κεφάλαιο 4 παρουσιάζονται αποτελέσματα από τη χρήση των νευρωνικών δικτύων στο MATLAB και την R για δύο διαφορετικά προβλήματα που μπορούν να αντιμετωπιστούν με τη χρήση ΤΝΔ. Δίνεται ιδιαίτερη έμφαση στο υπολογιστικό κόστος για την ανάπτυξη εφαρμογών (χρόνος εκπαίδευσης), καθώς και στην αξιολόγηση της στατιστικής σημαντικότητας των αποτελεσμάτων ως προς την υπεροχή ενός ΤΝΔ έναντι των υπολοίπων. | el |
| dc.description.translatedabstract | Artificial Neural Networks are a form of artificial intelligence. They consist of a set of simple, interconnected and adaptive units and they designed to simulate the way in which the human brain processes information. They can perform calculations in a massive way and their architecture is inspired from the biological neural networks. The purpose of this thesis is the study of basic concepts on topic of Artificial Neural Networks (ANNs) and the implementation of them in modern programming environments such as MATLAB and R. More specifically, chapter 1 includes introductory concepts and terms with regard to ANNs. It is explained how ANN works by describing the basic features, the most widely used architectures and the ways in which ANNs are trained by referring specifically to the Error-Backpropagation algorithm and the Generalized Delta rule. Chapter 2 is devoted to describing the capabilities provided by the above programming environments with regard to ANNs. In addition, a further study is carried out about the areas of application of the ANNs as well as the description of the main problems that they approach. Chapter 3 describes the processes that can be done to develop applications. In particular, it is presented for each programming environment, the number of embedded libraries and toolboxes offered and the ability to modify the training algorithms. In Chapter 4 we present results from the use of neural networks in MATLAB and R for a classification and function approximation problem. Particular emphasis is placed on the computational cost of application development (training time), as well as the evaluation of the statistical significance of the results in terms of the superiority of a particular ANN over the rest | el |
| dc.identifier.uri | http://hdl.handle.net/10889/11517 | |
| dc.language.iso | gr | el |
| dc.rights | 0 | el |
| dc.subject | Τεχνητά νευρωνικά δίκτυα | el |
| dc.subject | εκπαίδευση | el |
| dc.subject | εφαρμογές | el |
| dc.subject | ταξινόμηση | el |
| dc.subject.alternative | Artificial neural networks | el |
| dc.subject.alternative | train | el |
| dc.subject.alternative | applications | el |
| dc.subject.alternative | classification | el |
| dc.subject.ddc | 006.32 | el |
| dc.title | Τεχνητά νευρωνικά δίκτυα και εφαρμογές σε σύγχρονα προγραμματιστικά περιβάλλοντα | el |
| dc.title.alternative | Artificial neural networks and applications in modern programming enviroments | el |
| dc.type | Thesis | el |