Καινοτόμες μεθοδολογίες μηχανικής μαθήσεως

Περίληψη

Στόχος της διδακτορικής αυτής διατριβής ήταν η ενδελεχής μελέτη των μεθοδολογιών μηχανικής μάθησης, και η χάραξη νέων δρόμων στον χώρο, με την εισαγωγή πρωτοτύπων μεθοδολογιών και καινοτόμων επαναστατικών θεωρήσεων αναγνώρισης προτύπων. Μεγάλη έμφαση εδόθη στις τεχνικές Variational Bayesian inference, που κατά την γνώμη του συγγραφέως αποτελούν το αύριο των μεθοδολογιών αναγνώρισης προτύπων των βασισμένων σε προσεγγίσεις statistical clustering, με συνεισφορά ενός πρωτότυπου μοντέλου εύρωστης αναγνώρισης προτύπων για πολυδιάστατα δεδομένα, καθώς και οι μεθοδολογίες fuzzy clustering. Σε αυτό τον τελευταίο χώρο εντοπίζεται και η μεγαλύτερη και σημαντικότερη συνεισφορά της παρούσης διατριβής, με την εισαγωγή μιας νέας θεώρησης του τι είναι fuzzy clustering, υπό την έννοια του τι εργασίες μηχανικής μάθησης μπορεί κανείς να περαιώσει με χρήση fuzzy clustering, κατά την οποία ο αλγόριθμος FCM αναδεικνύεται σε μια πλεονεκτηματική εναλλακτική του ΕΜ αλγορίθμου (και λοιπών statistical clustering ...
περισσότερα

Περίληψη σε άλλη γλώσσα

This thesis aimed at the extensive study of modem machine learning methodologies, and the provision of novel methodologies and groundbreaking regards towards pattern recognition techniques. A great deal of emphasis was put on Variational Bayesian inference techniques, which, to the author's mind, comprise the future of statistical clustering-based approaches, resulting in the provision of a novel model for robust recognition of high-dimensional patterns. Another key concept studied was fuzzy clustering. In this latter field can be found the most significant and seminal contribution of this thesis: we have introduced a novel regard towards fuzzy clustering, by showing that fuzzy clustering techniques, in the form of FCM algorithm variants, provide an interesting alternative to the EM algorithm (and other statistical clustering alternatives) for the treatment of probabilistic generative models. Furthermore, this work provided a novel hidden Markov model, offering significant benefits com ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/17396
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/17396
ND
17396
Εναλλακτικός τίτλος
Novel machine learning methodologies
Συγγραφέας
Χατζής, Σωτήριος του Παναγιώτης
Ημερομηνία
2008
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής
Εξεταστική επιτροπή
Βαρβαρίγου Θεοδώρα
Στασινόπουλος Γεώργιος
Θεολόγου Μιχαήλ
Λούμος Βασίλειος
Κόλλιας Στέφανος
Σταφυλοπάτης Ανδρέας-Γεώργιος
Δουλάμης Αναστάσιος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ
Λέξεις-κλειδιά
Μηχανική μάθηση; Αναγνώριση προτύπων; Πιθανοτικά παραγωγικά μοντέλα; Κατάτμηση εικόνων; Μαρκοβιανά μοντέλα
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
229 σ., εικ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)