Μηχανική μάθηση για το συγκερασμό πολλαπλών, κατανεμημένων ευφυών συστημάτων

Περίληψη σε άλλη γλώσσα

Nowadays Machine Learning techniques have matured and are embedded in commercial data analysis software packages. Each of the techniques has its advantages and disadvantages and no single technique has excelled the rest for a range of di®erent application domains. Therefore, one issue that arises is the e®ective management of all these methods for the e±cient solution of a speci?c problem. This issue appears in many areas of Arti?cial Intelligence such as Planning, Constraints and Scheduling. This thesis concerns a set of Machine Learning methods for the combination of multiple, distributed intelligent systems with the aim of optimizing the performance on a speci?c problem, along with their implementation using the technology of Web Services. The methods were developed for two categories of intelligent systems: a) classi?ers and b) planners. Speci?cally, a method for the combination of heterogeneous classi?ers was proposed, that results in an increase of accuracy compared to a single c ...
περισσότερα
Πρέπει να είστε εγγεγραμένος χρήστης για έχετε πρόσβαση σε όλες τις υπηρεσίες του ΕΑΔΔ  Είσοδος /Εγγραφή

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/14872
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/14872
Εναλλακτικός τίτλος
Machine learning for the combination of multiple, distributed intelligent systems
Συγγραφέας
Τσουμάκας, Γρηγόριος Δαμιανός
Ημερομηνία
2005
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Θετικών Επιστημών. Τμήμα Πληροφορικής
Εξεταστική επιτροπή
Βλαχάβας Ιωάννης
Πήτας Ιωάννης
Μανωλόπουλος Ιωάννης
Βακαλή Αθηνά
Βασιλειάδης Νικόλαος
Βαζιργιάννης Μιχαήλ
Λύκας Αριστείδης
Επιστημονικό πεδίο
Φυσικές Επιστήμες
Επιστήμες Ηλεκτρονικών Υπολογιστών & Πληροφορικής
Λέξεις-κλειδιά
Μηχανική μάθηση; Συνδυασμός ταξινομητών; Κατανεμημένη εξόρυξη γνώσης; Μάθηση στο σχεδιασμό ενεργειών; Μέθοδοι ομάδων
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
152 σ., εικ.