Μια ολοκληρωμένη ανάλυση αλγορίθμων μηχανικής μάθησης για την ταξινόμηση εικόνων με θόρυβο με εφαρμογές στην αστρονομία

Abstract

Η παρούσα διπλωματική εργασία παρουσιάζει μια ανάλυση ορισμένων αλγορίθμων μηχανικής μάθησης για την ταξινόμηση θορυβωδών εικόνων στην αστρονομία. Στην εργασία παρουσιάζονται αλγόριθμοι τόσο με επίβλεψη όσο και αλγόριθμοι χωρίς επίβλεψη και γίνεται εστίαση στις προκλήσεις και τις εξελίξεις αυτών. Η μελέτη επικεντρώνεται σε μια εις βάθος ανάλυση αρχιτεκτονικών βαθιάς μάθησης, όπως τα Convolutional Neural Networks (CNN) και οι Autoencoders, αλλά και σε ανάλυση παραδοσιακών αλγορίθμων μηχανικής μάθησης, όπως τα Decision Trees, τα Random Forests, οι SVM και οι K-Nearest Neighbors. Τέτοιου είδους αλγόριθμοι και κάποιες πιο προηγμένες και περίπλοκες μορφές τους υλοποιούνται με κώδικα σε περιβάλλον Python και δοκιμάζονται στο ίδιο σύνολο δεδομένων. Το σύνολο δεδομένων αποτελείται από θορυβώδεις εικόνες από τους πλανήτες του ηλιακού συστήματος. Τα αποτελέσματα των δοκιμών συγκρίνονται και επισημαίνονται τα δυνατά και αδύνατα σημεία κάθε αλγορίθμου. Η εργασία εξετάζει τις υπάρχουσες μεθοδολογίες και συζητά τις δυνατότητες μελλοντικής έρευνας για τη βελτίωση αυτών των τεχνικών ώστε να βελτιωθεί η ακρίβεια και η αποτελεσματικότητα της ταξινόμησης εικόνων στην αστρονομία.