National and Kapodistrian University of Athens
Principles of machine learning - Random forests and applications
Abstract
dc:descriptionΑυτή η μεταπτυχιακή εργασία εμπεριέχει μια σύντομη εισαγωγή στη θεωρία μηχανικής μάθησης (από μία στατιστική προοπτική), η οποία προσφέρει αυτοματοποιημένες διαδικασίες για την πρόβλεψη ενός φαινομένου βασισμένη σε παρελθοντικές παρατηρήσεις. Τονίζονται οι ομοιότητες και οι διαφορές μεταξύ των παραδοσιακών μοντέλων παλινδρόμησης και εκείνων της μηχανικής μάθησης και δίνονται παραδείγματα σε προσομοιωμένα και πραγματικά δεδομένα. Από τις μεθόδους μηχανικής μάθησης, πέρα από την παλινδρόμηση, αυτή η διπλωματική αναφερει τις μεθόδους που έχουν ως βάση τους τα δένδρα και επικεντρώνεται στα δένδρα αποφάσεων και στις ensemble methods. Οι τελευταίες, συνδυάζουν μερικά βασικά μοντέλα με σκοπό να παράξουν ένα βέλτιστο μοντέλο πρόβλεψης. Από τις ensemble μεθόδους επικεντρωνόμαστε στα τυχαία δάση αντιμετωπίζοντας προβλήματα όπως η υπολογιστική επίδοση και η δυνατότητα κλιμάκωσης μαζί με μια συζήτηση αναφορικά με τις διαδικασίες εφαρμογής τους. Επίσης δίνονται και κάποιες εφαρμογές.
Author and committee
dc:creator, dc:contributor.*- Author dc:creator
-
- ΔΕΣΙΠΡΗ ΑΡΕΤΗ ΔΕΣΠΟΙΝΑ
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:2967981