ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ - ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ SITE MAP | ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ - ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΛΛΗΝΙΚΑ | ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ - ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ ENGLISH
Παρασκευή, 22/05/2015   -   Ομιλίες
Σεμινάριο Τμήματος με τίτλο: "Neural Networks with functional weights", Κωνσταντίνος Μπλέκας

Στο πλαίσιο της διοργάνωσης των σεμιναρίων του τμήματος, θα πραγματοποιηθεί την Παρασκευή 22/05/2015 και ώρα 12:00 στην αίθουσα Σεμιναρίων του Τμήματος Μηχανικών Η/Υ και Πληροφορικής, ομιλία με τίτλο "Neural Networks with functional weights". Ομιλητής θα είναι ο κ. Κωνσταντίνος Μπλέκας, Επίκουρος Καθηγητής του Τμήματος Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστημίου Ιωαννίνων.

ΠΕΡΙΛΗΨΗ

Η μάθηση με επίβλεψη (supervised learning) αποτελεί ένα ευρύ ερευνητικό πεδίο της Μηχανικής Μάθησης, και αναφέρεται σε δύο βασικά προβλήματα: στο πρόβλημα της παλινδρόμησης (regression) και σε αυτό της ταξινόμησης ή κατηγοριοποίησης (classification) δεδομένων. Χρησιμοποιώντας ένα σύνολο παραδειγμάτων εκπαίδευσης αποτελούμενο από ζεύγη της μορφής «παρατηρούμενη είσοδος - επιθυμητή έξοδος» (input-target), στόχος των μεθόδων μάθησης με επίβλεψη είναι η ανακάλυψη μιας «κρυμμένης» συναρτησιακής σχέσης (συνάρτηση παλινδρόμησης ή ταξινομητής) ανάμεσα στα δεδομένα ώστε να προβλέπεται η έξοδος κάθε παρατήρησης με το ελάχιστο σφάλμα. Τα Νευρωνικά δίκτυα αποτελούν εδώ και μερικές δεκαετίες μία σημαντική οικογένεια μεθόδων μάθησης με επίβλεψη γενικού σκοπού, καλύπτοντας ένα μεγάλο φάσμα εφαρμογών.
Μία σημαντική όμως απαίτηση των μεθόδων αυτών είναι να έχουν την ικανότητα γενίκευσης (generalization) πάνω σε άγνωστα δεδομένα, η οποία σχετίζεται με την πολυπλοκότητα του επιλεγμένου μοντέλου. Έτσι, πολλές φορές παρατηρείται το φαινόμενο της υπερεκπαίδευσης (overfitting) σύμφωνα με το οποίο, αν και το σφάλμα της μεθόδου στο σύνολο που έχει εκπαιδευτεί είναι χαμηλό, χάνει την ικανότητα να γενικεύει και να προβλέπει σωστά σε άγνωστα δείγματα.
Στην ομιλία αυτή θα παρουσιαστεί μια νέα μεθοδολογία η οποία στοχεύει να πετύχει υψηλή γενικευτική ικανότητα. Βασίζεται στην ιδέα των νευρωνικών δικτύων θεωρώντας τα βάρη ως συναρτήσεις μιας συνεχούς μεταβλητής. Έτσι, καθώς η προτεινόμενη μέθοδος χρησιμοποιεί την ολοκλήρωση των συναρτήσεων βαρών και ενεργοποίησης, πετυχαίνει την δημιουργία άπειρων νευρώνων. Αυτό έχει ως αποτέλεσμα, αφενός την ακρίβεια στον υπολογισμό της εξόδου στο σύνολο εκπαίδευσης, και αφετέρου την μεγάλη ικανότητα γενίκευσης σε άγνωστα δείγματα εξαιτίας του σημαντικά μικρότερου αριθμού παραμέτρων του μοντέλου. Επίσης, θα παρουσιαστούν μερικά πειραματικά αποτελέσματα που διεξήχθησαν σε προβλήματα παλινδρόμησης και ταξινόμησης και θα γίνει σύγκριση με συμβατικά νευρωνικά δίκτυα.

©2010 DEPARTMENT OF COMPUTER SCIENCE & ENGINEERING - UNIVERSITY OF IOANNINA
created by data|SCIENCE

Valid XHTML 1.0 Strict Valid CSS!