Ανάπτυξη υπολογιστών μεθόδων εκμάθησης μη γραμμικών πολλαπλοτήτων και αιτιότητας, για την αναγωγή της δυναμικής και τη διερεύνηση της διασυνδεσιμότητας μεγάλης κλίμακας δεδομένων, με έμφαση σε προβλήματα της υπολογιστικής νευροεπιστήμης

Περίληψη

Η παρούσα διατριβή επικεντρώθηκε στην ανάπτυξη μαθηματικών μεθόδων και εργαλείων με στόχο την εφαρμογή τους σε δεδομένα νευροαπεικόνισης υψηλής διάστασης. Συγκεκριμένα, οι μέθοδοι εδράζονται στην συμβολή των επιστημονικών κλάδων της μηχανικής μάθησης, της εκμάθησης πολλαπλοτήτων/μείωσης διάστασης, της θεωρίας πολύπλοκων δικτύων και της υπολογιστικής Νευροεπιστήμης. Οι εφαρμογές είχαν ως στόχο να συνεισφέρουν τόσο σε κλινικό, υπολογιστικό αλλά και θεωρητικό επίπεδο στο πεδίο των μαθηματικών εφαρμογών στην Μηχανική (engineering). Η διατριβή χωρίζεται σε τρία βασικά μέρη που αποτέλεσαν τον κύριο κορμό της έρευνας μας. Το πρώτο μέρος συναρτάται από μία σχολαστική συγκριτική ανάλυση γραμμικών και μη γραμμικών μεθόδων εκμάθησης πολλαπλοτήτων (MDS, ISOMAP, Kernel PCA, Diffusion Maps, LLE) για τη διάγνωση της σχιζοφρένειας. Ουσιαστικά, εισάγουμε μια νέα μεθοδολογία βασιζόμενη στην κατασκευή ενσωματωμένων δικτύων λειτουργικής συνδεσιμότητας με βάση μη-γραμμικές μεθόδους εκμάθησης πολλαπλοτήτων ...
περισσότερα

Περίληψη σε άλλη γλώσσα

My Ph.D. dissertation focus on the development of computational methods for the analysis and identification of emergent spatio-temporal patterns from big data in the field of computational neuroscience. Specifically, the methods are met on the intersection of the disciplines of computational methods for data reduction, machine and manifold learning, complex network theory and computational neuroscience. In general, the proposed framework can be applied in a wide range of applications in engineering where big data either from experiments and/or from microscopic simulations are available. Thesis is divided into three main parts, which constitute the main body of our research. The first part consists of a rigorous comparative analysis of linear and non-linear manifold learning methods (MDS, ISOMAP, Kernel PCA, Diffusion Maps, LLE) for the diagnosis of schizophrenia based on graph theoretical measures in global scale. Here, we address a novel methodology on the construction of embedded fun ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/51167
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/51167
ND
51167
Εναλλακτικός τίτλος
Development of computational methods using non-linear manifold learning, for the description of dynamics and the investigation of large-scale data, with an emphasis on problems of computational neuroscience.
Συγγραφέας
Γάλλος, Ιωάννης του Κωνσταντίνος
Ημερομηνία
2022
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών
Εξεταστική επιτροπή
Σιέττος Κωνσταντίνος
Θεοτόκογλου Ευστάθιος
Σμυρνής Νικόλαος
Τσόπελας Παναγιώτης
Κομίνης Ιωάννης
Ευταξιόπουλος Δημήτριος
Ματσόπουλος Γεώργιος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΆλλες Επιστήμες Μηχανικού και Τεχνολογίες ➨ Μηχανική, διεπιστημονική προσέγγιση
Λέξεις-κλειδιά
Μηχανική μάθηση; Εκμάθηση Πολλαπλοτήτων; Υπολογιστική νευροεπιστήμη; Μεγάλα δεδομένα; Εξόρυξη δεδομένων; Πολύπλοκα δίκτυα; Ταξινόμηση; Λειτουργική απεικόνιση μαγνητικού συντονισμού; Μείωση διάστασης; Επιλογή χαρακτηριστικών
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
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)