{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1317477"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1317477","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εφαρμογές της Συναρτησιακής Ανάλυσης στη Μηχανική Μάθηση","abstract":"Στη Συναρτησιακή Ανάλυση, ένας Reproducing Kernel Hilbert Space είναι ένας Hilbert χώρος συναρτήσεων στον οποίο το γραμμικό evaluation συναρτησιακό είναι συνεχές, οπότε οι τιμές του εκφράζονται και ως εσωτερικά γινόμενα μεταξύ κάποιον στοιχείων του χώρου. Το αντικείμενο αναπτύχθηκε αρχικά, και ταυτόχρονα, από τους Nachman Aronszajn (1907–1980) και Stefan Bergman (1895–1977) το 1950. Η συσχέτιση των συγκεκριμένων χώρων με τις θετικά ορισμένες συναρτήσεις οδηγεί σε ένα ευρύ πεδίο εφαρμογών τους, όπως για παράδειγμα στη μιγαδική ανάλυση, στην αρμονική ανάλυση, στην κβαντική μηχανική και τη στατιστική. Στην παρούσα εργασία θα εξετάσουμε εφαρμογές στον κλάδο της τεχνητής νοημοσύνης που αποκαλείται Μηχανική Μάθηση. Με τον όρο Μηχανική Μάθηση περιγράφεται η επιστημονική αρχή που ασχολείται με το σχεδιασμό και την ανάπτυξη αλγορίθμων που επιτρέπουν στους υπολογιστές να αναπτύσσουν συμπεριφορές βασιζόμενοι σε εμπειρικά δεδομένα. Τα δεδομένα που τροφοδοτούνται στη μηχανή κατά το στάδιο της “εκπαίδευσης”, καλούνται και “δεδομένα εκπαίδευσης”, θα μπορούσαν για παράδειγμα να έχουν καταγραφεί από κάποιους αισθητήρες ή να προέρχονται από άλλες βάσεις δεδομένων και αποτελούν παρατηρήσεις που αντικατοπτρίζουν τις σχέσεις μεταξύ των μεταβλητών που τα περιγράφουν, παρέχοντας έτσι πληροφορίες για την, άγνωστη σε εμάς, κατανομή πιθανότητας που τα διέπει. Σημαντικό στόχο της έρευνας στο πεδίο της Μηχανικής Μάθησης αποτελεί η διατύπωση μεθόδων αυτόματης αναγνώρισης πολύπλοκων προτύπων από μια “εκπαιδευόμενη” μηχανή, καθιστώντας την έτσι ικανή να εξάγει “έξυπνες”, βάση των δεδομένων που της παρέχονται, αποφάσεις. Η μεγάλη δυσκολία έγκειται, βεβαίως, στο γεγονός πως βασιζόμενη σε έναν, περιορισμένο συνήθως, όγκο δεδομένων εκπαίδευσης η μηχανή πρέπει να μπορεί να γενικεύει τη διεξαγωγή χρήσιμων συμπερασμάτων ώστε να ανταποκρίνονται στο, συνήθως τεράστιο, πλήθος δυνατών συμπεριφορών που ενδέχεται να εμφανίζουν όλα τα πιθανά δεδομένα. Έχει καταβληθεί μεγάλη προσπάθεια ώστε το πλήρες κείμενο να γίνεται κατανοητό από αναγνώστες που έχουν ακαδημαϊκού επιπέδου γνώση της μαθηματικής επιστήμης, ταυτόχρονα όμως αναγνώστες που ενδιαφέρονται μόνο για τις εφαρμογές των συμπερασμάτων στην πληροφορική να μπορούν να περιορίσουν τη μελέτη τους στα Κεφάλαια 2 και 3, ανατρέχοντας κατά το ελάχιστο δυνατόν στο περισσότερο θεωρητικό 1ο Κεφάλαιο.","abstract_html":"Στη Συναρτησιακή Ανάλυση, ένας Reproducing Kernel Hilbert Space είναι ένας Hilbert χώρος συναρτήσεων στον οποίο το γραμμικό evaluation συναρτησιακό είναι συνεχές, οπότε οι τιμές του εκφράζονται και ως εσωτερικά γινόμενα μεταξύ κάποιον στοιχείων του χώρου. Το αντικείμενο αναπτύχθηκε αρχικά, και ταυτόχρονα, από τους Nachman Aronszajn (1907–1980) και Stefan Bergman (1895–1977) το 1950. Η συσχέτιση των συγκεκριμένων χώρων με τις θετικά ορισμένες συναρτήσεις οδηγεί σε ένα ευρύ πεδίο εφαρμογών τους, όπως για παράδειγμα στη μιγαδική ανάλυση, στην αρμονική ανάλυση, στην κβαντική μηχανική και τη στατιστική. Στην παρούσα εργασία θα εξετάσουμε εφαρμογές στον κλάδο της τεχνητής νοημοσύνης που αποκαλείται Μηχανική Μάθηση. Με τον όρο Μηχανική Μάθηση περιγράφεται η επιστημονική αρχή που ασχολείται με το σχεδιασμό και την ανάπτυξη αλγορίθμων που επιτρέπουν στους υπολογιστές να αναπτύσσουν συμπεριφορές βασιζόμενοι σε εμπειρικά δεδομένα. Τα δεδομένα που τροφοδοτούνται στη μηχανή κατά το στάδιο της “εκπαίδευσης”, καλούνται και “δεδομένα εκπαίδευσης”, θα μπορούσαν για παράδειγμα να έχουν καταγραφεί από κάποιους αισθητήρες ή να προέρχονται από άλλες βάσεις δεδομένων και αποτελούν παρατηρήσεις που αντικατοπτρίζουν τις σχέσεις μεταξύ των μεταβλητών που τα περιγράφουν, παρέχοντας έτσι πληροφορίες για την, άγνωστη σε εμάς, κατανομή πιθανότητας που τα διέπει. Σημαντικό στόχο της έρευνας στο πεδίο της Μηχανικής Μάθησης αποτελεί η διατύπωση μεθόδων αυτόματης αναγνώρισης πολύπλοκων προτύπων από μια “εκπαιδευόμενη” μηχανή, καθιστώντας την έτσι ικανή να εξάγει “έξυπνες”, βάση των δεδομένων που της παρέχονται, αποφάσεις. Η μεγάλη δυσκολία έγκειται, βεβαίως, στο γεγονός πως βασιζόμενη σε έναν, περιορισμένο συνήθως, όγκο δεδομένων εκπαίδευσης η μηχανή πρέπει να μπορεί να γενικεύει τη διεξαγωγή χρήσιμων συμπερασμάτων ώστε να ανταποκρίνονται στο, συνήθως τεράστιο, πλήθος δυνατών συμπεριφορών που ενδέχεται να εμφανίζουν όλα τα πιθανά δεδομένα. Έχει καταβληθεί μεγάλη προσπάθεια ώστε το πλήρες κείμενο να γίνεται κατανοητό από αναγνώστες που έχουν ακαδημαϊκού επιπέδου γνώση της μαθηματικής επιστήμης, ταυτόχρονα όμως αναγνώστες που ενδιαφέρονται μόνο για τις εφαρμογές των συμπερασμάτων στην πληροφορική να μπορούν να περιορίσουν τη μελέτη τους στα Κεφάλαια 2 και 3, ανατρέχοντας κατά το ελάχιστο δυνατόν στο περισσότερο θεωρητικό 1ο Κεφάλαιο.","abstract_has_math":false,"creators":["Μητσάκος Νικόλαος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2012,"date_issued":"2012","date_published":"2012","updated_at":"2026-11-19T05:25:04Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1317477"],"render_values":[{"text":"uoadl:1317477","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1317477","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1317477","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1317477","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μητσάκος Νικόλαος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2012"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1317477","https://pergamos.lib.uoa.gr/uoa/dl/object/1317477"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στη Συναρτησιακή Ανάλυση, ένας Reproducing Kernel Hilbert Space είναι ένας Hilbert χώρος συναρτήσεων στον οποίο το γραμμικό evaluation συναρτησιακό είναι συνεχές, οπότε οι τιμές του εκφράζονται και ως εσωτερικά γινόμενα μεταξύ κάποιον στοιχείων του χώρου. Το αντικείμενο αναπτύχθηκε αρχικά, και ταυτόχρονα, από τους Nachman Aronszajn (1907–1980) και Stefan Bergman (1895–1977) το 1950. Η συσχέτιση των συγκεκριμένων χώρων με τις θετικά ορισμένες συναρτήσεις οδηγεί σε ένα ευρύ πεδίο εφαρμογών τους, όπως για παράδειγμα στη μιγαδική ανάλυση, στην αρμονική ανάλυση, στην κβαντική μηχανική και τη στατιστική. Στην παρούσα εργασία θα εξετάσουμε εφαρμογές στον κλάδο της τεχνητής νοημοσύνης που αποκαλείται Μηχανική Μάθηση. Με τον όρο Μηχανική Μάθηση περιγράφεται η επιστημονική αρχή που ασχολείται με το σχεδιασμό και την ανάπτυξη αλγορίθμων που επιτρέπουν στους υπολογιστές να αναπτύσσουν συμπεριφορές βασιζόμενοι σε εμπειρικά δεδομένα. Τα δεδομένα που τροφοδοτούνται στη μηχανή κατά το στάδιο της “εκπαίδευσης”, καλούνται και “δεδομένα εκπαίδευσης”, θα μπορούσαν για παράδειγμα να έχουν καταγραφεί από κάποιους αισθητήρες ή να προέρχονται από άλλες βάσεις δεδομένων και αποτελούν παρατηρήσεις που αντικατοπτρίζουν τις σχέσεις μεταξύ των μεταβλητών που τα περιγράφουν, παρέχοντας έτσι πληροφορίες για την, άγνωστη σε εμάς, κατανομή πιθανότητας που τα διέπει. Σημαντικό στόχο της έρευνας στο πεδίο της Μηχανικής Μάθησης αποτελεί η διατύπωση μεθόδων αυτόματης αναγνώρισης πολύπλοκων προτύπων από μια “εκπαιδευόμενη” μηχανή, καθιστώντας την έτσι ικανή να εξάγει “έξυπνες”, βάση των δεδομένων που της παρέχονται, αποφάσεις. Η μεγάλη δυσκολία έγκειται, βεβαίως, στο γεγονός πως βασιζόμενη σε έναν, περιορισμένο συνήθως, όγκο δεδομένων εκπαίδευσης η μηχανή πρέπει να μπορεί να γενικεύει τη διεξαγωγή χρήσιμων συμπερασμάτων ώστε να ανταποκρίνονται στο, συνήθως τεράστιο, πλήθος δυνατών συμπεριφορών που ενδέχεται να εμφανίζουν όλα τα πιθανά δεδομένα. Έχει καταβληθεί μεγάλη προσπάθεια ώστε το πλήρες κείμενο να γίνεται κατανοητό από αναγνώστες που έχουν ακαδημαϊκού επιπέδου γνώση της μαθηματικής επιστήμης, ταυτόχρονα όμως αναγνώστες που ενδιαφέρονται μόνο για τις εφαρμογές των συμπερασμάτων στην πληροφορική να μπορούν να περιορίσουν τη μελέτη τους στα Κεφάλαια 2 και 3, ανατρέχοντας κατά το ελάχιστο δυνατόν στο περισσότερο θεωρητικό 1ο Κεφάλαιο.","The paper presents applications of Reproducing Kernel Hilbert Space's (RKHS) theory in two issues of Machine Learning: classification using Support Vector Machines (SVM) and the construction of an Adaptive Learning algorithm, based on the LMS algorithm, for dealing with non-linear Learning Problems. The First Chapter begins with a presentation of the basic definitions of the RKHS theory including several examples such as the Hardy space of the unitary disk, Sobolev spaces on [0,1], Bergman spaces on areas of the complex plane, weighted Hardy spaces, as well as examples of multiple variables. Next, the complexification of such spaces is explained and then the general applicable theory. What follows is the characterization of Reproducing kernel functions and the chapter concludes with the description of the Kernel Trick. The Second Chapter deals with the solution of supervised learning classification problems using Support Vector Machines (SVM). The usual route is followed, starting from the simplified case of linearly separable data and passing through the Dual formulation of the SVM's we arrive at the 1-Norm Soft-Margin SVM and it's dual. What follows is the description of how the Kernel Trick is applied in this case including information concerning, mainly, the selection of the appropriate kernel function for a given problem. At the end of each paragraph the relative algorithms are also formulated. The Third Chapter opens with a description of Learning Problems and the Least Mean Squares (LMS) algorithm used to address them. Next, the kernel LMS (KLMS) algorithm is being described, which results from applying the kernel trick on LMS, as well as some techniques used for sparsifying the solution such as the Platt's novelty criterion, the Coherence Based Sparsification Strategy, the Surprise Criterion and last, but not least, the Quantization technique that leads to the Quantized kernel LMS. (To be precise, we use a normalized version of each algorithm mentioned above). Closing the chapter, there are three simulations presented: a Nonlinear Channel Equalization, a Chaotic Time Series Prediction and one real data prediction."]},{"key":"dc:title","label":"Title","values":["Εφαρμογές της Συναρτησιακής Ανάλυσης στη Μηχανική Μάθηση"]}]}],"canonical_facts":{"dc:creator":["Μητσάκος Νικόλαος"],"dc:date":["2012"],"dc:description":["Στη Συναρτησιακή Ανάλυση, ένας Reproducing Kernel Hilbert Space είναι ένας Hilbert χώρος συναρτήσεων στον οποίο το γραμμικό evaluation συναρτησιακό είναι συνεχές, οπότε οι τιμές του εκφράζονται και ως εσωτερικά γινόμενα μεταξύ κάποιον στοιχείων του χώρου. Το αντικείμενο αναπτύχθηκε αρχικά, και ταυτόχρονα, από τους Nachman Aronszajn (1907–1980) και Stefan Bergman (1895–1977) το 1950. Η συσχέτιση των συγκεκριμένων χώρων με τις θετικά ορισμένες συναρτήσεις οδηγεί σε ένα ευρύ πεδίο εφαρμογών τους, όπως για παράδειγμα στη μιγαδική ανάλυση, στην αρμονική ανάλυση, στην κβαντική μηχανική και τη στατιστική. Στην παρούσα εργασία θα εξετάσουμε εφαρμογές στον κλάδο της τεχνητής νοημοσύνης που αποκαλείται Μηχανική Μάθηση. Με τον όρο Μηχανική Μάθηση περιγράφεται η επιστημονική αρχή που ασχολείται με το σχεδιασμό και την ανάπτυξη αλγορίθμων που επιτρέπουν στους υπολογιστές να αναπτύσσουν συμπεριφορές βασιζόμενοι σε εμπειρικά δεδομένα. Τα δεδομένα που τροφοδοτούνται στη μηχανή κατά το στάδιο της “εκπαίδευσης”, καλούνται και “δεδομένα εκπαίδευσης”, θα μπορούσαν για παράδειγμα να έχουν καταγραφεί από κάποιους αισθητήρες ή να προέρχονται από άλλες βάσεις δεδομένων και αποτελούν παρατηρήσεις που αντικατοπτρίζουν τις σχέσεις μεταξύ των μεταβλητών που τα περιγράφουν, παρέχοντας έτσι πληροφορίες για την, άγνωστη σε εμάς, κατανομή πιθανότητας που τα διέπει. Σημαντικό στόχο της έρευνας στο πεδίο της Μηχανικής Μάθησης αποτελεί η διατύπωση μεθόδων αυτόματης αναγνώρισης πολύπλοκων προτύπων από μια “εκπαιδευόμενη” μηχανή, καθιστώντας την έτσι ικανή να εξάγει “έξυπνες”, βάση των δεδομένων που της παρέχονται, αποφάσεις. Η μεγάλη δυσκολία έγκειται, βεβαίως, στο γεγονός πως βασιζόμενη σε έναν, περιορισμένο συνήθως, όγκο δεδομένων εκπαίδευσης η μηχανή πρέπει να μπορεί να γενικεύει τη διεξαγωγή χρήσιμων συμπερασμάτων ώστε να ανταποκρίνονται στο, συνήθως τεράστιο, πλήθος δυνατών συμπεριφορών που ενδέχεται να εμφανίζουν όλα τα πιθανά δεδομένα. Έχει καταβληθεί μεγάλη προσπάθεια ώστε το πλήρες κείμενο να γίνεται κατανοητό από αναγνώστες που έχουν ακαδημαϊκού επιπέδου γνώση της μαθηματικής επιστήμης, ταυτόχρονα όμως αναγνώστες που ενδιαφέρονται μόνο για τις εφαρμογές των συμπερασμάτων στην πληροφορική να μπορούν να περιορίσουν τη μελέτη τους στα Κεφάλαια 2 και 3, ανατρέχοντας κατά το ελάχιστο δυνατόν στο περισσότερο θεωρητικό 1ο Κεφάλαιο.","The paper presents applications of Reproducing Kernel Hilbert Space's (RKHS) theory in two issues of Machine Learning: classification using Support Vector Machines (SVM) and the construction of an Adaptive Learning algorithm, based on the LMS algorithm, for dealing with non-linear Learning Problems. The First Chapter begins with a presentation of the basic definitions of the RKHS theory including several examples such as the Hardy space of the unitary disk, Sobolev spaces on [0,1], Bergman spaces on areas of the complex plane, weighted Hardy spaces, as well as examples of multiple variables. Next, the complexification of such spaces is explained and then the general applicable theory. What follows is the characterization of Reproducing kernel functions and the chapter concludes with the description of the Kernel Trick. The Second Chapter deals with the solution of supervised learning classification problems using Support Vector Machines (SVM). The usual route is followed, starting from the simplified case of linearly separable data and passing through the Dual formulation of the SVM's we arrive at the 1-Norm Soft-Margin SVM and it's dual. What follows is the description of how the Kernel Trick is applied in this case including information concerning, mainly, the selection of the appropriate kernel function for a given problem. At the end of each paragraph the relative algorithms are also formulated. The Third Chapter opens with a description of Learning Problems and the Least Mean Squares (LMS) algorithm used to address them. Next, the kernel LMS (KLMS) algorithm is being described, which results from applying the kernel trick on LMS, as well as some techniques used for sparsifying the solution such as the Platt's novelty criterion, the Coherence Based Sparsification Strategy, the Surprise Criterion and last, but not least, the Quantization technique that leads to the Quantized kernel LMS. (To be precise, we use a normalized version of each algorithm mentioned above). Closing the chapter, there are three simulations presented: a Nonlinear Channel Equalization, a Chaotic Time Series Prediction and one real data prediction."],"dc:identifier":["uoadl:1317477","https://pergamos.lib.uoa.gr/uoa/dl/object/1317477"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Εφαρμογές της Συναρτησιακής Ανάλυσης στη Μηχανική Μάθηση"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:04Z"}