Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/4804
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΧατζηλυγερούδης, Ιωάννης-
dc.contributor.authorΑγγελόπουλος, Νικόλαος-
dc.contributor.otherAngelopoulos, Nikolaos-
dc.date.accessioned2011-11-03T10:39:03Z-
dc.date.available2011-11-03T10:39:03Z-
dc.date.copyright2011-
dc.date.issued2011-11-03-
dc.identifier.urihttp://hdl.handle.net/10889/4804-
dc.description.abstractΣτην εργασία αυτή παρουσιάζεται μια εναλλακτική διαδικασία διάσπασης ενός μη διαχωρίσιμου συνόλου εκπαίδευσης για την παραγωγή νευρωκανόνων. Η υπάρχουσα διαδικασία παρήγαγε νευρωκανόνες από μη γραμμικά σύνολα διασπώντας τα σε δύο υποσύνολα με βάση την «απόσταση» των προτύπων καταλήγοντας συχνά σε πολλαπλή αναπαράσταση της ίδιας γνώσης. Με την παρούσα εργασία διερευνάται η δυνατότητα της διάσπασης ενός μη διαχωρίσιμου συνόλου σε k υποσύνολα με χρήση μεθόδων συσταδοποίησης. Το k μπορεί είτε να αποτελεί είσοδο της διαδικασίας είτε να υπολογίζεται δυναμικά από ένα συγκεκριμένο εύρος τιμών. Η δεύτερη στρατηγική διάσπασης (δυναμικός k-modes) φαίνεται να έχει τα καλύτερα αποτελέσματα, ενώ η πρώτη (τροποποιημένος k-modes) παρουσιάζει συγκρίσιμα αποτελέσματα με την υπάρχουσα μέθοδο για μικρά k. Και οι δύο στρατηγικές διάσπασης μπορούν να συνδυαστούν με μία μέθοδο εύρεσης εκτόπων που αφαιρεί από το αρχικό σύνολο εκπαίδευσης μεμονωμένα παραδείγματα που αποκλίνουν «περισσότερο» από τα υπόλοιπα.el
dc.language.isogrel
dc.relation.isformatofΗ ΒΚΠ διαθέτει αντίτυπο της διατριβής σε έντυπη μορφή στο βιβλιοστάσιο διδακτορικών διατριβών που βρίσκεται στο ισόγειο του κτιρίου της.el
dc.rights6el
dc.subjectΝευρωκανόνεςel
dc.subjectΕξόρυξη δεδομένωνel
dc.subjectΣυσταδοποίησηel
dc.subjectΕύρεση εκτόπωνel
dc.subject.ddc006.32el
dc.titleΧρήση μεθόδων εξόρυξης δεδομένων στη δημιουργία νευρωκανόνωνel
dc.typeThesisel
dc.contributor.committeeΒουτσινάς, Βασίλειος-
dc.contributor.committeeΜακρής, Χρήστος-
dc.contributor.committeeΧατζηλυγερούδης, Ιωάννης-
dc.description.translatedabstractIn this thesis we present an alternative splitting policy of a non separable training set used for the production of neurules. The existing method produced neurules from non linear training sets by “breaking” them into two subsets based on “distance” between patterns often leading to multiple representations of the same knowledge. The present thesis looks into the possibility of splitting a non separable training set into k subsets using clustering methods. The number k can be treated as an input to the process or it can be calculated dynamically from a specific range of values. The second splitting strategy (dynamic k-modes) appears to have the best results, while the first one (modified k-modes) gives similar results to the existing method for small values of k. Moreover, both splitting strategies can be combined with an outlier detection process which removes from the initial training set remote examples that deviate more from the rest, thus improving their performance.el
dc.subject.alternativeNeurulesel
dc.subject.alternativeData miningel
dc.subject.alternativeClusteringel
dc.subject.alternativeOutlier detectionel
dc.degreeΜεταπτυχιακή Εργασίαel
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
MSc_Thesis.pdf732.42 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.