Show simple item record

dc.contributor.authorΠαπαδημητρίου, Φιλάνθη
dc.date.accessioned2024-05-21T11:00:30Z
dc.date.available2024-05-21T11:00:30Z
dc.date.issued2024-02
dc.identifier.urihttps://dspace.uowm.gr/xmlui/handle/123456789/4748
dc.description.abstractΟι 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
dc.description.sponsorshipΕπιβλέπων Καθηγητής: Νικόλαος Πλόσκαςen_US
dc.language.isogren_US
dc.publisherΠαπαδημητρίου, Φιλάνθηen_US
dc.subjectΒελτιστοποίησηen_US
dc.subjectΑλγόριθμοιen_US
dc.subjectΥπερπαράμετροιen_US
dc.subjectΝευρωνικό δίκτυοen_US
dc.titleΑυτοματοποιημένη εύρεση βέλτιστων παραμέτρων λογισμικούen_US
dc.typeThesisen_US


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record