Εφαρμογές στην βαθιά μηχανική μάθηση

Καλαμπόκας, Νικόλαος

dc.contributor.advisor	Nikolaou , Grigoris
dc.contributor.author	Καλαμπόκας, Νικόλαος
dc.date.accessioned	2021-11-19T07:33:44Z
dc.date.available	2021-11-19T07:33:44Z
dc.date.issued	2021-10-14
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/1542
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-1393
dc.description.abstract	Η Μηχανική Μάθηση είναι υποπεδίο της επιστήμης των υπολογιστών, που αναπτύχθηκε από τη μελέτη της αναγνώρισης προτύπων και της υπολογιστικής θεωρίας μάθησης στην τεχνητή νοημοσύνη. Το 1959, ο Άρθουρ Σάμουελ ορίζει την μηχανική μάθηση ως Πεδίο μελέτης που δίνει στους υπολογιστές την ικανότητα να μαθαίνουν, χωρίς να έχουν ρητά προγραμματιστεί. Η μηχανική μάθηση διερευνά τη μελέτη αλγορίθμων που μπορούν να μαθαίνουν από τα δεδομένα και να κάνουν προβλέψεις σχετικά με αυτά. Τέτοιοι αλγόριθμοι λειτουργούν κατασκευάζοντας μοντέλα από πειραματικά δεδομένα, προκειμένου να κάνουν προβλέψεις βασιζόμενες στα δεδομένα ή να εξάγουν αποφάσεις που εκφράζονται ως το αποτέλεσμα. Η παρούσα διπλωματική εργασία με τίτλο «Εφαρμογές στην Μηχανική Μάθηση» αναφέρεται στη συγκριτική αξιολόγηση της επίδοσης μοντέλων αναγνώρισης αντικειμένων και συγκεκριμένα της επιβλεπόμενης μάθησης για την αναγνώριση οχημάτων, ανθρώπων και σημάτων κατά τη διάρκεια της οδήγησης. Τα μοντέλα που χρησιμοποιήθηκαν είναι τα SSD( SingleShotDetection),YOLO( YouOnlyLookOnce)και Mask-RCNN. Γίνεται παρουσίαση των μοντέλων που επιλέχθηκαν και των αποτελεσμάτων εφαρμογής των αλγορίθμων σε ένα σύνολο δεδομένων. Η επεξεργασία πραγματοποιήθηκε με τη χρήση της γλώσσας προγραμματισμού Python.	el
dc.format.extent	69	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Βαθιά μάθηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Αναγνώριση αντικειμένων	el
dc.subject	Μοντέλα αναγνώρισης αντικειμένων	el
dc.subject	SSD	el
dc.subject	YOLO	el
dc.subject	Mask-RCNN	el
dc.title	Εφαρμογές στην βαθιά μηχανική μάθηση	el
dc.title.alternative	Application in machine deep learning	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Βασιλειάδου, Σουλτάνα
dc.contributor.committee	Drosos, Christos
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής	el
dc.description.abstracttranslated	Machine Learning is a subfield of computer science, developed by the study of pattern recognition and computational learning theory in artificial intelligence. In 1959, Arthur Samuel defined Machine Learning as a field of study that gives computers the ability to learn without being explicitly programmed. Machine Learning explores the study of algorithms that can learn from data and make predictions about it. Such algorithms work by constructing models from experimental data in order to make prediction based on data or to make decisions that are expressed as the result.The present dissertation entitled “Application in Machine Learning” refers to the comparative evaluation of the performance of abject recognition models and in particular of supervised learning for the recognition of vehicles, pedestrians and signsduring driving. The models used are SSD (Single Shot Detection),YOLO (You Only Look Once)and Mask-RCN. The selected models and the results of the application of the algorithms in a dataset are presented in the following sections. Editing was done using the Python programming language.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: καλαμπόκας πτυχ.pdf
Μέγεθος:: 3.894Mb
Τύπος:: PDF

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές