Νέες τεχνικές τεχνητής νοημοσύνης και μετασχηματισμού δεδομένων για αύξηση απόδοσης αλγορίθμων ταξινόμησης

Abstract

Η παρούσα διδακτορική διατριβή συνεισφέρει σε δύο διαφορετικές επιστημονικές κατευθύνσεις. Η πρώτη είναι η Αναγνώριση Συναισθημάτων και η δεύτερη είναι ένα πεδίο της Μηχανικής Μάθησης, η Προεπεξεργασία-Μετασχηματισμός των δεδομένων σε προβλήματα ταξινόμησης για τη βελτίωση των αποτελεσμάτων ταξινόμησης. Σε αυτή την έρευνα ασχολούμαστε με τρία σημαντικά θέματα αναγνώρισης συναισθήματος από την ομιλία: τις διαθέσιμες βάσεις δεδομένων συναισθημάτων και την ευχρηστία τους στην αναγνώριση συναισθημάτων από την ομιλία, τις διάφορες μεθόδους επιλογής ακουστικών χαρακτηριστικών τα οποία έχουν προσδιοριστεί από το σήμα της φωνής και την αξιολόγηση της συνεισφοράς τους στην αναγνώριση συναισθημάτων από την ομιλία. Επίσης παρουσιάζουμε τα ποσοστά ταξινόμησης διαφόρων ταξινομητών που έχουν χρησιμοποιηθεί στην αναγνώριση συναισθημάτων, σύμφωνα με τη βιβλιογραφία. Στο επιστημονικό πεδίο της Μηχανικής Μάθησης η συνεισφορά της παρούσης διδακτορικής διατριβής είναι ότι διεξήχθη συστηματική έρευνα με σκοπό την ανάπτυξη και αξιολόγηση μιας καινοτόμας μεθόδου προεπεξεργασίας-μετασχηματισμού δεδομένων. Έγινε πρακτική εφαρμογή της προτεινόμενης μεθόδου σε τέσσερα πολύ γνωστά και δύσκολα προβλήματα ταξινόμησης. Η προτεινόμενη μέθοδος μετασχηματίζει τα αρχικά δεδομένα με τέτοιο τρόπο ώστε να ελαχιστοποιεί τον πλεονασμό των δεδομένων, ενώ ταυτόχρονα μειώνει το πλήθος των αρχικών μεταβλητών. Το αποτέλεσμα της εν’ λόγω έρευνας έδειξε ότι η προτεινόμενη μέθοδος αυξάνει κατά πολύ τα αποτελέσματα σε προβλήματα ταξινόμησης και μειώνει αισθητά το χρόνο ταξινόμησης σε όλα τα σετ δεδομένων που χρησιμοποιήθηκε.