Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17976
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΖώγας, Παναγιώτης-
dc.date.accessioned2021-07-05T11:03:52Z-
dc.date.available2021-07-05T11:03:52Z-
dc.date.issued2021-06-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17976-
dc.description.abstractΗ δυσλεξία είναι μία μαθησιακή δυσκολία νευροβιολογικής προέλευσης που γίνεται αντιληπτή λόγω δυσκολιών στην εκμάθηση της ανάγνωσης. Σύμφωνα με εκτιμήσεις που βασίζονται σε παραμέτρους και κριτήρια διάγνωσης το 5-10% του πληθυσμού έχει δυσλεξία. Ο εντοπισμός της σε μικρές ηλικίες είναι επιτακτική ανάγκη καθώς έτσι γίνεται η αποτελεσματικότερη αντιμετώπιση της. Η έλλειψη διάγνωσης μπορεί να αποδειχθεί επιζήμια τόσο για την απόδοση του παιδιού στην ανάγνωση όσο και για την ψυχική του υγεία. Το αντικείμενο της παρούσας διπλωματικής είναι με τη χρήση μηχανικής μάθησης να δοθεί ένα πλήθος από λύσεις που αφορούν τη διάγνωση της δυσλεξίας. Τα δεδομένα με τα οποία γίνεται η διάγνωση της δυσλεξίας συλλέγονται με μία πληθώρα από τρόπους από τους οποίους εξαρτάται και η προεπεξεργασία τους. Στην εργασία αυτή διερευνώνται εκτενώς οι περιπτώσεις συλλογής από την παιχνιδοποίηση ερωτήσεων και την οφθαλμική ανίχνευση. Για τα δεδομένα αυτά εφαρμόστηκε και μία πληθώρα μεθόδων επιλογής χαρακτηριστικών. Τα μοντέλα τα οποία χρησιμοποιήθηκαν για την ταξινόμηση των δειγμάτων ήταν ταξινομητές της κλασικής μηχανικής μάθησης. Πιο συγκεκριμένα επιλέχθηκαν τα τυχαία δάση, τα δέντρα ενίσχυσης κλίσης, η λογιστική παλινδρόμηση και μηχανές διανυσμάτων υποστήριξης με χρήση διαφόρων συναρτήσεων πυρήνα. Η επιλογή όλων των παραπάνω μοντέλων, εκτός της λογιστικής παλινδρόμησης, έγινε πρώτον λόγω της μη γραμμικότητας τους και δεύτερον λόγω της ικανότητάς τους να αποδίδουν σημασία στα χαρακτηριστικά κατά την εκπαίδευση. Η δεύτερη ιδιότητά τους μπορεί και να διακρίνει ποια είναι τα χαρακτηριστικά που διαχωρίζουν ένα άτομο με δυσλεξία από ένα άλλο. Εδώ αξίζει να σημειωθεί πως την καλύτερη ορθότητα, 92.63%, έδωσε το μοντέλο μηχανών διανυσμάτων υποστήριξης με πυρήνα γκαουσιανής ακτινικής βάσης για το σύνολο δεδομένων της οφθαλμικής ανίχνευσης. Τέλος έγινε μία σύγκριση των συνόλων δεδομένων, βασισμένη στα αποτελέσματα της σημασίας χαρακτηριστικών, που προέκυψε από την εκπαίδευση των μοντέλων. Αυτή έδειξε πως με τα δεδομένα της οφθαλμικής ανίχνευσης οι κλάσεις των ατόμων με δυσλεξία και χωρίς είναι πιο εύκολα διαχωρίσιμες.en_US
dc.languageelen_US
dc.subjectΔυσλεξίαen_US
dc.subjectDyslexiaen_US
dc.subjectΜηχανική Μάθησηen_US
dc.subjectMachine Learningen_US
dc.subjectΕπιβλεπόμενη μάθησηen_US
dc.subjectSupervised learningen_US
dc.subjectΔυαδική ταξινόμησηen_US
dc.subjectBinary Classificationen_US
dc.titleΕφαρμογές Μηχανικής Μάθησης στη δυσλεξίαen_US
dc.description.pages79en_US
dc.contributor.supervisorΣταφυλοπάτης Ανδρέας-Γεώργιοςen_US
dc.departmentΤομέας Τεχνολογίας Πληροφορικής και Υπολογιστώνen_US
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Zogas_P_Thesis.pdf1.8 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.