Μη-παραμετρική Bayesian προσέγγιση σε βαθιά νευρωνικά δίκτυα

Περίληψη

Παρά τα πρόσφατα επιτεύγματα στον τομέα της Μηχανικής Μάθησης, υπάρχουν ακόμα ανοιχτές προσκλήσεις. Ο σκοπός της διατριβής αυτής είναι να παρουσιάσει δύο διαφορετικές προσεγγίσεις τόσο για δεδομένα παρτίδας (batch data) όσο και για σειριακά (sequential data). Κάθε προσέγγιση αποσκοπεί στη δημιουργία πιο ευέλικτων και αποδοτικών μοντέλων, επιδιώκοντας την αύξηση των δυνατοτήτων μοντελοποίησης με ταυτόχρονη μείωση της πολυπλοκότητας των συμβατικά χρησιμοποιούμενων προσεγγίσεων. Στην πρώτη προσέγγιση της διατριβής, επικεντρωνόμαστε σε δεδομένα παρτίδας χρησιμοποιώντας βαθιές νευρωνικές αρχιτεκτονικές (Deep Neural Architectures). Η άνοδος της βαθιάς μηχανικής μάθησης (Deep Learning), η οποία κατέστη εφικτή με τις πρόσφατες τεχνολογικές εξελίξεις, τόσο σε επίπεδο υλικού (hardware) όσο και σε επίπεδο αλγορίθμων, έχει παράξει αξιοσημείωτα αποτελέσματα τα τελευταία χρόνια, σε ένα ευρύ πεδίο εφαρμογών. Εν τούτοις, οι συνήθως χρησιμοποιούμενες βαθιές αρχιτεκτονικές, πάσχουν από υπερ-παραμετροποί ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Despite the recent successes in Machine Learning, there remain many open challenges. The goal of this thesis is to introduce two different design paradigms for both batch as well as sequential data. Each of the considered approaches comprises the construction of more flexible and efficient models, aspiring to increase the modeling capacity while addressing the complexity issues of the conventionally employed approaches. The thesis initially focuses on the batch scenario, where we consider Deep Neural architectures. Recent hardware advances, as well as the availability of large datasets, have enabled the construction of networks, that comprise a large number of neurons, connected via synaptic weights, in a layered fashion. When a multi-layer (deep) architecture is considered, the network is called a Deep Neural Network, and the corresponding discipline is referred to as Deep Learning. Application of DL approaches, has provided significant achievements in a wide range of domains. Howev ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/47711
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/47711
ND
47711
Εναλλακτικός τίτλος
Non-parametric Bayesian approaches to deep neural networks
Συγγραφέας
Πανούσης, Κωνσταντίνος-Παναγιώτης (Πατρώνυμο: Ιωάννης)
Ημερομηνία
2020
Ίδρυμα
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών (ΕΚΠΑ). Σχολή Θετικών Επιστημών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Εξεταστική επιτροπή
Θεοδωρίδης Σέργιος
Χατζής Σωτήριος
Πικράκης Άγγελος
Γουνόπουλος Δημήτρης
Μαραγκός Πέτρος
Παναγάκης Ιωάννης
Περαντώνης Σταύρος
Επιστημονικό πεδίο
Φυσικές Επιστήμες
Επιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική
Λέξεις-κλειδιά
Μηχανική μάθηση; Επιβλεπόμενη μάθηση; Νευρωνικά δίκτυα; Βαθιά νευρωνικά δίκτυα; Τοπικός ανταγωνισμός; Μη παραμετρική μπεϋζιανή στατιστική; Κρυφά μαρκοβιανά μοντέλα; Αναγνώριση δράσεων; Συνελικτικά νευρωνικά δίκτυα; Προσεγγιστικός συμπερασμός
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
159 σ., πιν., σχημ., γραφ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)