{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2698969"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2698969","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αλγόριθμοι Βαθιάς Μηχανικής Μάθησης και Εξομάλυνση με χρήση της μεθόδου Dropout","abstract":"Σκοπός της παρούσας εργασίας είναι η ανάπτυξη μιας πληθώρας αλγορίθμων βαθιάς Μηχανικής Μάθησης και η έρευνα της σημασίας που έχει η εξομάλυνση με Dropout σε αυτούς. Η μεθοδολογία που ακολουθείται, αποτελείται από την μελέτη όλων των βασικών σημείων της θεωρίας κάθε μεθόδου, την προγραμματιστική ανάπτυξή της και, τέλος, τη διενέργεια πειραμάτων για τη διερεύνηση των επιμέρους θεμάτων που μας ενδιαφέρουν. Το σύνολο της εργασίας κινείται στο ευρύτερο πεδίο των Τεχνητών Νευρωνικών δικτύων. Για τον λόγο αυτό, θεωρήθηκε σκόπιμη μια αναλυτική παρουσίαση των θεωρητικών τους βάσεων προτού περάσουμε στη μελέτη των πιο σύγχρονων τεχνικών. Τα πρώτα κεφάλαια εξυπηρετούν ακριβώς αυτόν τον σκοπό. Στο τρίτο κεφάλαιο παρουσιάζεται η θεωρία γύρω από την εξομάλυνση καθώς και αναλυτικά η μέθοδος Dropout. Στα επόμενα κεφάλαια, μέχρι τα Συμπεράσματα, ακολουθείται η προσέγγιση που αναφέρθηκε παραπάνω. Μετά από τη θεωρητική παρουσίαση κάθε αλγορίθμου, προχωράμε στην ανάπτυξή του με χρήση της βιβλιοθήκης TensorFlow και, τελικά, εξετάζουμε τα πειραματικά μας αποτελέσματα. Βλέπουμε πολλές αρχιτεκτονικές βαθιών πολυστρωματικών Νευρωνικών δικτύων για την αναγνώριση ψηφίων γραμμένων με το χέρι καθώς και ένα Convolutional Neural Network για τον ίδιο σκοπό. Ακόμα, μελετάμε την υλοποίηση ενός Recurrent Neural Network για τη μοντελοποίηση γλώσσας. Σε όλους τους αλγορίθμους αναζητήσαμε τη σημασία της εξομάλυνσης μέσω του Dropout και διαπιστώσαμε πειραματικά την αύξηση της απόδοσης όλων, τη βελτίωση της γενικευτικής ικανότητας κάθε μοντέλου, όταν σε αυτό εφαρμόσαμε τη συγκεκριμένη μέθοδο εξομάλυνσης.","abstract_html":"Σκοπός της παρούσας εργασίας είναι η ανάπτυξη μιας πληθώρας αλγορίθμων βαθιάς Μηχανικής Μάθησης και η έρευνα της σημασίας που έχει η εξομάλυνση με Dropout σε αυτούς. Η μεθοδολογία που ακολουθείται, αποτελείται από την μελέτη όλων των βασικών σημείων της θεωρίας κάθε μεθόδου, την προγραμματιστική ανάπτυξή της και, τέλος, τη διενέργεια πειραμάτων για τη διερεύνηση των επιμέρους θεμάτων που μας ενδιαφέρουν. Το σύνολο της εργασίας κινείται στο ευρύτερο πεδίο των Τεχνητών Νευρωνικών δικτύων. Για τον λόγο αυτό, θεωρήθηκε σκόπιμη μια αναλυτική παρουσίαση των θεωρητικών τους βάσεων προτού περάσουμε στη μελέτη των πιο σύγχρονων τεχνικών. Τα πρώτα κεφάλαια εξυπηρετούν ακριβώς αυτόν τον σκοπό. Στο τρίτο κεφάλαιο παρουσιάζεται η θεωρία γύρω από την εξομάλυνση καθώς και αναλυτικά η μέθοδος Dropout. Στα επόμενα κεφάλαια, μέχρι τα Συμπεράσματα, ακολουθείται η προσέγγιση που αναφέρθηκε παραπάνω. Μετά από τη θεωρητική παρουσίαση κάθε αλγορίθμου, προχωράμε στην ανάπτυξή του με χρήση της βιβλιοθήκης TensorFlow και, τελικά, εξετάζουμε τα πειραματικά μας αποτελέσματα. Βλέπουμε πολλές αρχιτεκτονικές βαθιών πολυστρωματικών Νευρωνικών δικτύων για την αναγνώριση ψηφίων γραμμένων με το χέρι καθώς και ένα Convolutional Neural Network για τον ίδιο σκοπό. Ακόμα, μελετάμε την υλοποίηση ενός Recurrent Neural Network για τη μοντελοποίηση γλώσσας. Σε όλους τους αλγορίθμους αναζητήσαμε τη σημασία της εξομάλυνσης μέσω του Dropout και διαπιστώσαμε πειραματικά την αύξηση της απόδοσης όλων, τη βελτίωση της γενικευτικής ικανότητας κάθε μοντέλου, όταν σε αυτό εφαρμόσαμε τη συγκεκριμένη μέθοδο εξομάλυνσης.","abstract_has_math":false,"creators":["Παπαϊωάννου Χαρίλαος","Papaioannou Charilaos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2018,"date_issued":"2018","date_published":"2018","updated_at":"2026-11-19T05:30:53Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2698969"],"render_values":[{"text":"uoadl:2698969","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2698969","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2698969","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%3A2698969","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παπαϊωάννου Χαρίλαος","Papaioannou Charilaos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2018"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"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:2698969","https://pergamos.lib.uoa.gr/uoa/dl/object/2698969"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σκοπός της παρούσας εργασίας είναι η ανάπτυξη μιας πληθώρας αλγορίθμων βαθιάς Μηχανικής Μάθησης και η έρευνα της σημασίας που έχει η εξομάλυνση με Dropout σε αυτούς. Η μεθοδολογία που ακολουθείται, αποτελείται από την μελέτη όλων των βασικών σημείων της θεωρίας κάθε μεθόδου, την προγραμματιστική ανάπτυξή της και, τέλος, τη διενέργεια πειραμάτων για τη διερεύνηση των επιμέρους θεμάτων που μας ενδιαφέρουν. Το σύνολο της εργασίας κινείται στο ευρύτερο πεδίο των Τεχνητών Νευρωνικών δικτύων. Για τον λόγο αυτό, θεωρήθηκε σκόπιμη μια αναλυτική παρουσίαση των θεωρητικών τους βάσεων προτού περάσουμε στη μελέτη των πιο σύγχρονων τεχνικών. Τα πρώτα κεφάλαια εξυπηρετούν ακριβώς αυτόν τον σκοπό. Στο τρίτο κεφάλαιο παρουσιάζεται η θεωρία γύρω από την εξομάλυνση καθώς και αναλυτικά η μέθοδος Dropout. Στα επόμενα κεφάλαια, μέχρι τα Συμπεράσματα, ακολουθείται η προσέγγιση που αναφέρθηκε παραπάνω. Μετά από τη θεωρητική παρουσίαση κάθε αλγορίθμου, προχωράμε στην ανάπτυξή του με χρήση της βιβλιοθήκης TensorFlow και, τελικά, εξετάζουμε τα πειραματικά μας αποτελέσματα. Βλέπουμε πολλές αρχιτεκτονικές βαθιών πολυστρωματικών Νευρωνικών δικτύων για την αναγνώριση ψηφίων γραμμένων με το χέρι καθώς και ένα Convolutional Neural Network για τον ίδιο σκοπό. Ακόμα, μελετάμε την υλοποίηση ενός Recurrent Neural Network για τη μοντελοποίηση γλώσσας. Σε όλους τους αλγορίθμους αναζητήσαμε τη σημασία της εξομάλυνσης μέσω του Dropout και διαπιστώσαμε πειραματικά την αύξηση της απόδοσης όλων, τη βελτίωση της γενικευτικής ικανότητας κάθε μοντέλου, όταν σε αυτό εφαρμόσαμε τη συγκεκριμένη μέθοδο εξομάλυνσης.","The goal of this thesis is the study of a variety of deep learning algorithms and the evaluation of their regularization with Dropout technique. The methodology followed, begins with the presentation of the key theoretical points for each algorithm, followed by a software program for each one of them and concludes with the presentation of the experimental results for the aspects we are interested in. The whole thesis lies in the scientific field of Artificial Neural Networks. This is the reason we come across an analytical presentation of the main theory of Neural Networks in the first chapters, before we move forward to the modern techniques. In the third chapter, the regularization theory is presented along with a detailed presentation of the Dropout method. In the next chapters, until the thesis' conclusion, the methodology stated above is followed. After the theoretical analysis for each algorithm, its development is implemented with the usage of a deep learning library, TensorFlow, and in the end the experimental results get investigated. We see various different architectures of fully-connected Feed Forward Neural Networks for the handwritten digits recognition problem as well as a Convolutional Neural Network for the same task. We, also, study a Recurrent Neural Network for language modeling. For all algorithms used, the practical significance of their regularization with Dropout has been investigated, and we ascertained experimentally that it boosted their performance and it improved the ability for each model to generalize."]},{"key":"dc:title","label":"Title","values":["Αλγόριθμοι Βαθιάς Μηχανικής Μάθησης και Εξομάλυνση με χρήση της μεθόδου Dropout"]}]}],"canonical_facts":{"dc:creator":["Παπαϊωάννου Χαρίλαος","Papaioannou Charilaos"],"dc:date":["2018"],"dc:description":["Σκοπός της παρούσας εργασίας είναι η ανάπτυξη μιας πληθώρας αλγορίθμων βαθιάς Μηχανικής Μάθησης και η έρευνα της σημασίας που έχει η εξομάλυνση με Dropout σε αυτούς. Η μεθοδολογία που ακολουθείται, αποτελείται από την μελέτη όλων των βασικών σημείων της θεωρίας κάθε μεθόδου, την προγραμματιστική ανάπτυξή της και, τέλος, τη διενέργεια πειραμάτων για τη διερεύνηση των επιμέρους θεμάτων που μας ενδιαφέρουν. Το σύνολο της εργασίας κινείται στο ευρύτερο πεδίο των Τεχνητών Νευρωνικών δικτύων. Για τον λόγο αυτό, θεωρήθηκε σκόπιμη μια αναλυτική παρουσίαση των θεωρητικών τους βάσεων προτού περάσουμε στη μελέτη των πιο σύγχρονων τεχνικών. Τα πρώτα κεφάλαια εξυπηρετούν ακριβώς αυτόν τον σκοπό. Στο τρίτο κεφάλαιο παρουσιάζεται η θεωρία γύρω από την εξομάλυνση καθώς και αναλυτικά η μέθοδος Dropout. Στα επόμενα κεφάλαια, μέχρι τα Συμπεράσματα, ακολουθείται η προσέγγιση που αναφέρθηκε παραπάνω. Μετά από τη θεωρητική παρουσίαση κάθε αλγορίθμου, προχωράμε στην ανάπτυξή του με χρήση της βιβλιοθήκης TensorFlow και, τελικά, εξετάζουμε τα πειραματικά μας αποτελέσματα. Βλέπουμε πολλές αρχιτεκτονικές βαθιών πολυστρωματικών Νευρωνικών δικτύων για την αναγνώριση ψηφίων γραμμένων με το χέρι καθώς και ένα Convolutional Neural Network για τον ίδιο σκοπό. Ακόμα, μελετάμε την υλοποίηση ενός Recurrent Neural Network για τη μοντελοποίηση γλώσσας. Σε όλους τους αλγορίθμους αναζητήσαμε τη σημασία της εξομάλυνσης μέσω του Dropout και διαπιστώσαμε πειραματικά την αύξηση της απόδοσης όλων, τη βελτίωση της γενικευτικής ικανότητας κάθε μοντέλου, όταν σε αυτό εφαρμόσαμε τη συγκεκριμένη μέθοδο εξομάλυνσης.","The goal of this thesis is the study of a variety of deep learning algorithms and the evaluation of their regularization with Dropout technique. The methodology followed, begins with the presentation of the key theoretical points for each algorithm, followed by a software program for each one of them and concludes with the presentation of the experimental results for the aspects we are interested in. The whole thesis lies in the scientific field of Artificial Neural Networks. This is the reason we come across an analytical presentation of the main theory of Neural Networks in the first chapters, before we move forward to the modern techniques. In the third chapter, the regularization theory is presented along with a detailed presentation of the Dropout method. In the next chapters, until the thesis' conclusion, the methodology stated above is followed. After the theoretical analysis for each algorithm, its development is implemented with the usage of a deep learning library, TensorFlow, and in the end the experimental results get investigated. We see various different architectures of fully-connected Feed Forward Neural Networks for the handwritten digits recognition problem as well as a Convolutional Neural Network for the same task. We, also, study a Recurrent Neural Network for language modeling. For all algorithms used, the practical significance of their regularization with Dropout has been investigated, and we ascertained experimentally that it boosted their performance and it improved the ability for each model to generalize."],"dc:identifier":["uoadl:2698969","https://pergamos.lib.uoa.gr/uoa/dl/object/2698969"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Αλγόριθμοι Βαθιάς Μηχανικής Μάθησης και Εξομάλυνση με χρήση της μεθόδου Dropout"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:30:53Z"}