Νευρωνικά δίκτυα σε μεγάλα δεδομένα
Τα μεγάλα δεδομένα (Big Data) αποτελούν μία σύγχρονη μορφή πλούτου. Η δημιουργία τους οφείλεται σε πηγές οι οποίες έχουν εν γένη μεγαλύτερη πολυπλοκότητα από αυτή των παραδοσιακών δεδομένων. Έχουν τη δυνατότητα να προωθήσουν την επιστήμη και τις στρατηγικές των επιχειρήσεων, με εφαρμογές από πρόβλεψ...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | el_GR |
| Δημοσίευση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/24000 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | Τα μεγάλα δεδομένα (Big Data) αποτελούν μία σύγχρονη μορφή πλούτου. Η δημιουργία τους οφείλεται σε πηγές οι οποίες έχουν εν γένη μεγαλύτερη πολυπλοκότητα από αυτή των παραδοσιακών δεδομένων. Έχουν τη δυνατότητα να προωθήσουν την επιστήμη και τις στρατηγικές των επιχειρήσεων, με εφαρμογές από πρόβλεψη ταινιών στο Netflix και την προβολή εξατομικευμένων διαφημίσεων στο YouTube, μέχρι την έγκαιρη διάγνωση καρκινωμάτων και την κατασκευή ψηφιακών διδύμων. Ο συνδετικός κρίκος αυτών των υπηρεσιών με τα μεγάλα δεδομένα, είναι τα νευρωνικά δίκτυα, τα οποία δίχως να είναι ρητά προγραμματισμένα εξάγουν αυτόματα κανόνες με τους οποίους κάνουν προβλέψεις, με βάση τα μοτίβα που υπάρχουν στα δεδομένα. Σε όσα ακολουθούν, παρουσιάζουμε την σύνδεση των νευρωνικών δικτύων και των μεγάλων δεδομένων. Χωρίζουμε το πρώτο κεφάλαιο σε τρεις ενότητες, οι οποίες αποτελούν το θεωρητικό υπόβαθρο όσων θα αναφέρουμε αργότερα. Οι τρεις ενότητες περιλαμβάνουν πρώτα τα μεγάλα δεδομένα με τα χαρακτηριστικά και τις εφαρμογές τους, μετά την μηχανική μάθηση με τις κατηγορίες και την εκπαίδευση των αλγορίθμων της, και τελικά τα νευρωνικά δίκτυα, όπου παρουσιάζεται η βιολογική τους έμπνευση και αναπαράσταση, καθώς και οι έννοιες της συνάρτησης ενεργοποίησης και της συνάρτησης απώλειας. Στο δεύτερο κεφάλαιο, εμβαθύνουμε στις δομές των νευρωνικών δικτύων όπως αυτά των πολυστρωματικών αντιλήπτρων (MLP), τα συνελικτικά (CNN) και τα επαναλαμβανόμενα (RNN), ενώ επιπλέον περιγράφεται η διαδικασία της μάθησης σε αυτά. Έπειτα, στο τρίτο κεφάλαιο παρουσιάζουμε εφαρμογές των νευρωνικών δικτύων μέσω της χρήσης του λογισμικού της R και του πακέτου keras, όπου γίνεται αντιληπτή η πρακτική διαδικασία της εκπαίδευσης των νευρωνικών δικτύων, καθώς και οι δυσκολίες που αυτή περιέχει. Συνεπώς, στο τέταρτο κεφάλαιο είναι πλέον εφικτό να μιλήσουμε για την σύνδεση των μεγάλων δεδομένων με τα νευρωνικά δίκτυα, όπου αναφέρουμε κάποιες σύγχρονες εφαρμογές τους και έπειτα κάποιες δυσκολίες που δημιουργούνται κατά την επαφή τους. Τελικά, αναφέρουμε τα συμπεράσματα και τις μελλοντικές κατευθύνσεις που θεωρούμε ότι πρέπει να ακολουθήσουν οι ερευνητές που ψάχνουν καινοτόμες προσεγγίσεις στα μεγάλα δεδομένα με την χρήση νευρωνικών δικτύων. |
|---|