Χρήση τεχνικών βελτιστοποίησης για την επίλυση ερευνητικών προβλημάτων μηχανικής μάθησης
Διπλωματική Εργασία
| Επιβλέπων | Εμμανουήλ Βαρβαρίγος |
|---|---|
| Συσχετιζόμενο μάθημα | Δίκτυα Επικοινωνιών |
Περιγραφή
Τα πολλαπλά χαρακτηριστικά που περιγράφουν τις δικτυακές και υπολογιστικές υποδομές εισάγουν μια επιπλέον πολυπλοκότητα για το σχεδιασμό μοντέλων μηχανικής μάθησης. Ο αριθμός τους αυξάνεται σημαντικά λαμβάνοντας υπόψη τα ετερογενή χαρακτηριστικά των cloud – edge υποδομών.
Κατά τη δημιουργία ενός μοντέλου Μηχανικής Μάθησης, η αφαίρεση άσχετων χαρακτηριστικών θα καταστήσει το μοντέλο ευκολότερο στην ερμηνεία και λιγότερο επιρρεπές στην υπερπροσαρμογή των δεδομένων.
Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη αλγορίθμων για την εύρεση του βέλτιστου υποσυνόλου χαρακτηριστικών, γνωστό ως πρόβλημα επιλογής καλύτερου υποσυνόλου.
Επιθυμητές Γνώσεις: Δίκτυα επικοινωνιών, Python/Matlab, Μηχανική μάθηση, Γραμμμικός Ακέραιος Προγραμματισμός.
Σχετική****βιβλιογραφία
- Dimitris Bertsimas, Angela King, Rahul Mazumder, Best Subset Selection via a Modern Optimization Lens