haku: @supervisor Simula, Olli / yhteensä: 292
hakutulos-lista
viite: 9 / 292
« edellinen | seuraava »
Tekijä:Calandra, Roberto
Työn nimi:An exploration of deep belief networks toward adaptive learning
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2011
Sivut:ix + 47      Kieli:   eng
Koulu/Laitos/Osasto:Tietotekniikan laitos
Oppiaine:Informaatiotekniikka   (T-115)
Valvoja:Simula, Olli
Ohjaaja:Montesino Pouzols, Federico ; Raiko, Tapani
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  8673   | Arkisto
Avainsanat:machine learning
artificial neural networks
adaptive learning
online learning
deep belief networks
generative model
evolving intelligent system
belief regeneration
Tiivistelmä (eng): It is becoming more and more important to have Intelligent Systems that can adapt during the operating phase in order to cope with environments of which we do not have a sufficiently complete prior knowledge.
In this respect, Adaptive Learning tries to overcome the limitations of traditional Machine Learning techniques.
It assumes in fact that the data, provided as a stream, do not necessarily maintain the same probability distribution or the same amount of "classes".
Recently a new method called Deep Belief Networks (DBNs) that improves the performances of classical Multi-Layer Perceptron, has gained popularity in the traditional Machine Learning community.
DBNs has proved to be effective on a wide range of applications and in many cases outperformed even application specific methods.

The purpose of this thesis is thus, presumably, a first attempt to explore properties of the DBNs that could be utilized in order to extend the advantages of traditional DBNs to the field of adaptive learning.

Using the generative capability of DBNs we show that it is possible to transfer, through the generated samples, the beliefs acquired to another DBN.
We call this process Belief Regeneration.
Making use of the generative capability and a classifier on top, we are able to generate pairs of samples and labels.
With this generated labelled dataset, we can extend the Belief Regeneration also to regenerate a classifier.
This process, even if with loss of classification accuracy, proves to be possible and feasible.

We then introduce a novel method for adaptive classifiers based on DBNs.
Using the process of Belief Regeneration we are able to generate observations that together with the novel ones can be used to re-train our classifier.
While this method is far from the state-of-the-art, in terms of classification accuracy, it is a proof-of-concept as it virtually eliminates the need of storing previous observations.
ED:2011-10-28
INSSI tietueen numero: 42904
+ lisää koriin
« edellinen | seuraava »
INSSI