| dc.description.abstract | Οι υπερπαράμετροι είναι σημαντικές για τους αλγόριθμους μηχανικής μάθησης,
καθώς έχουν σημαντική επίδραση στην απόδοση των μοντέλων μηχανικής μάθησης.
Ως αποτέλεσμα έχουν αναπτυχθεί αρκετές μέθοδοι που αυτοματοποιούν τη δια-
δικασία επιλογής των βέλτιστων υπερπαραμέτρων ενός λογισμικού. Σε αυτήν τη
διπλωματική εργασία μελετούνται ως μέθοδοι βελτιστοποίησης οι αλγόριθμοι ανα-
ζήτησης πλέγματος, τυχαίας αναζήτησης, τεχνητής αποικίας μελισσών, βελτιστοποί-
ησης σμήνους σωματιδίων, η Μπεϋζιανή βελτιστοποίηση, ο γενετικός αλγόριθμος,
ο Tree-structured Parzen Estimators και ο Mesh Adaptive Direct Search. Επιπλέον,
εξετάζονται και δύο λογισμικά το Nomad και το Optuna. Αναλύεται το θεωρη-
τικό υπόβαθρο και στη συνέχεια μελετάται η επίδραση τους σε ένα τύπο τεχνητού
νευρωνικού δικτύου, πιο συγκεκριμένα στον MultiLayer Perceptron (MLP), στις δια-
δικασίες της κατηγοριοποίησης και της παλινδρόμησης. Αξίζει να σημειωθεί ότι όλοι
οι αλγόριθμοι κατάφεραν να βελτιώσουν το αποτέλεσμα, αλλά αυτό που τους δια-
φοροποιεί σημαντικά είναι ο χρόνος εκπαίδευσης. | en_US |
