Κατανεμημένη εκπαίδευση μοντέλων Μηχανικής Μάθησης (Bachelor thesis)
Μουμουλίδης, Αλέξανδρος/ Τζούμας, Χρήστος
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Μουμουλίδης, Αλέξανδρος | el |
| dc.contributor.author | Τζούμας, Χρήστος | el |
| dc.date.accessioned | 2020-03-21T19:06:39Z | - |
| dc.date.available | 2020-03-21T19:06:39Z | - |
| dc.identifier.uri | http://195.251.240.227/jspui/handle/123456789/11589 | - |
| dc.description | Πτυχιακή εργασία--ΣΤΕΦ-Τμήμα Μηχανικών Πληροφορικής, 2018—9871 | el |
| dc.rights | Default License | - |
| dc.subject | Tensorflow | en |
| dc.subject | Tensorflow Lite | en |
| dc.subject | Distributed Training | en |
| dc.subject | MLAAS | en |
| dc.subject | Cloud Computing | en |
| dc.subject | Softmax Regression | en |
| dc.subject | Deep Learning | en |
| dc.subject | Big Data | en |
| dc.subject.lcsh | Μηχανική, Εφαρμοσμένη | el |
| dc.subject.lcsh | Μηχανική | el |
| dc.subject.lcsh | Υπολογιστικό νέφος | en |
| dc.subject.lcsh | Διαδίκτυο στην εκπαίδευση | el |
| dc.subject.lcsh | Διδασκαλία με τη βοήθεια ηλεκτρονικού υπολογιστή | el |
| dc.subject.lcsh | Εκπαιδευτική τεχνολογία | el |
| dc.title | Κατανεμημένη εκπαίδευση μοντέλων Μηχανικής Μάθησης | el |
| heal.type | bachelorThesis | - |
| heal.type.en | Bachelor thesis | en |
| heal.contributorName | Μουμουλίδης, Αλέξανδρος | el |
| heal.contributorName | Τζούμας, Χρήστος | el |
| heal.identifier.secondary | 9871 | - |
| heal.dateAvailable | 2020-03-21T19:07:39Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Σχολή Τεχνολογικών Εφαρμογών / Τμήμα Μηχανικών Πληροφορικής | el |
| heal.publicationDate | 2018-06-26 | - |
| heal.bibliographicCitation | Μουμουλίδης, Α. & Τζούμας, Χ. (2018). Κατανεμημένη εκπαίδευση μοντέλων Μηχανικής Μάθησης (Πτυχιακή εργασία). Αλεξάνδρειο ΤΕΙ, Θεσσαλονίκη. | el |
| heal.abstract | H παρούσα πτυχιακή εργασία αποσκοπεί στην παρουσίαση πλατφορμών, εργαλείων και τεχνικών που αφορούν την εκπαίδευση κατανεμημένων μοντέλων μηχανικής μάθησης μέσω του Tensorflow της Google και σύγκριση με τους ανταγωνιστές, και τους πόρους τους οποίους παρέχουν για να διευκολήνουν τους μηχανικούς της τεχνολογίας δεδομένων. Επιπρόσθετα αναλύονται οι όροι Μηχανική Μάθηση και Κατανεμημένη Εκπαίδευση και ο ρόλος τους στις βιομηχανίες του σήμερα. Διερευνώνται επίσης οι τρόποι και οι τεχνικές εξαγωγής ενός εκπαιδευμένου μοντέλου μηχανικής μάθησης, για την χρήση και εφαρμογή του στις Mobile πλατφόρμες Android και iOS. Στην συνέχεια παρουσιάζεται η εκπαίδευση ενός κατανεμημένου μοντέλου σε Tensorflow, μέσω της γλώσσας Python και των βιβλιοθηκών της. Το μοντέλο αυτό εκπαιδεύεται πάνω στο MNIST dataset με στόχο την δημιουργία ενός συστήματος που μπορεί να αναγνωρίσει αριθμητικά ψηφία απο το 0 εως το 9, δίνοντας του σαν είσοδο μια εικόνα μεγέθους 28x28 σε κλίμακα του γκρι. Κατόπιν αυτό το μοντέλο το επεξεργαζόμαστε και το μετατρέπουμε στην μορφή που είναι απαραίτητη για την χρήση του, απο τα ανάλογα frameworks σε Android και σε iOS. Τέλος δημιουργούμε τις ανάλογες εφαρμογές οι οποίες επιτρέπουν σε ένα χρήστη να ζωγραφίσει ένα αριθμητικό ψηφίο απο το 0 εώς το 9 και πατώντας ένα κουμπί να του εμφανίσει την πρόβλεψη του μοντέλου που εισήχθη. Η εργασία εκπονήθηκε από τους Μουμουλίδη Αλέξανδρο και Τζούμα Χρήστο, φοιτητές του Αλεξάνδρειου Τεχνολογικού Ιδρύματος Θεσσαλονίκης με επιβλέπων καθηγητή τον κ. Διαμαντάρα Κωνσταντίνο | el |
| heal.abstract | This thesis aims at presenting platforms, tools and techniques for the training of distributed Machine Learning models through Google's Tensorflow and comparing it with the competitors of this platform and the resources they provide to facilitate datascience technology engineers and programmers. In addition, the terms Machine Learning and Distributed Training are analyzed for their role in today's industries. We also explore the ways and techniques of exporting a trained model of learning mechanics to use and implement it on Mobile Platforms on Android and iOS. Then we showcase the training of a distributed model in Tensorflow, through Python and its libraries. This model is trained on the MNIST dataset to create a system that can recognize numeric digits from 0 to 9, by taking it as an input of a greyscale 28x28 image. We then process this model and convert it into the form it needs to be in order to be utilised, from the corresponding frameworks of Android and iOS. Finally, we create the applications that allow a user to draw a numeric digit from 0 to 9 and by pressing a button the screen displays the predicted outcome of the model we previously imported. The thesis was conducted by Moumoulides Alexandros and Tzoumas Christos, students of Alexander Technological Institute of Thessaloniki and was supervised by professor Mr. Diamantaras Konstantinos | en |
| heal.advisorName | Διαμαντάρας, Κωνσταντίνος | el |
| heal.committeeMemberName | Διαμαντάρας, Κωνσταντίνος | el |
| heal.academicPublisher | Τμήμα Μηχανικών Πληροφορικής | el |
| heal.academicPublisherID | teithe | - |
| heal.numberOfPages | 81 | - |
| heal.fullTextAvailability | true | - |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| Appears in Collections: | Πτυχιακές Εργασίες | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Moumoulidis_Tzoumas.pdf | 3.3 MB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/11589
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
