Νευρωνικά δίκτυα σε μεγάλα δεδομένα

Abstract

Τα μεγάλα δεδομένα (Big Data) αποτελούν μία σύγχρονη μορφή πλούτου. Η δημιουργία τους οφείλεται σε πηγές οι οποίες έχουν εν γένη μεγαλύτερη πολυπλοκότητα από αυτή των παραδοσιακών δεδομένων. Έχουν τη δυνατότητα να προωθήσουν την επιστήμη και τις στρατηγικές των επιχειρήσεων, με εφαρμογές από πρόβλεψη ταινιών στο Netflix και την προβολή εξατομικευμένων διαφημίσεων στο YouTube, μέχρι την έγκαιρη διάγνωση καρκινωμάτων και την κατασκευή ψηφιακών διδύμων. Ο συνδετικός κρίκος αυτών των υπηρεσιών με τα μεγάλα δεδομένα, είναι τα νευρωνικά δίκτυα, τα οποία δίχως να είναι ρητά προγραμματισμένα εξάγουν αυτόματα κανόνες με τους οποίους κάνουν προβλέψεις, με βάση τα μοτίβα που υπάρχουν στα δεδομένα. Σε όσα ακολουθούν, παρουσιάζουμε την σύνδεση των νευρωνικών δικτύων και των μεγάλων δεδομένων. Χωρίζουμε το πρώτο κεφάλαιο σε τρεις ενότητες, οι οποίες αποτελούν το θεωρητικό υπόβαθρο όσων θα αναφέρουμε αργότερα. Οι τρεις ενότητες περιλαμβάνουν πρώτα τα μεγάλα δεδομένα με τα χαρακτηριστικά και τις εφαρμογές τους, μετά την μηχανική μάθηση με τις κατηγορίες και την εκπαίδευση των αλγορίθμων της, και τελικά τα νευρωνικά δίκτυα, όπου παρουσιάζεται η βιολογική τους έμπνευση και αναπαράσταση, καθώς και οι έννοιες της συνάρτησης ενεργοποίησης και της συνάρτησης απώλειας. Στο δεύτερο κεφάλαιο, εμβαθύνουμε στις δομές των νευρωνικών δικτύων όπως αυτά των πολυστρωματικών αντιλήπτρων (MLP), τα συνελικτικά (CNN) και τα επαναλαμβανόμενα (RNN), ενώ επιπλέον περιγράφεται η διαδικασία της μάθησης σε αυτά. Έπειτα, στο τρίτο κεφάλαιο παρουσιάζουμε εφαρμογές των νευρωνικών δικτύων μέσω της χρήσης του λογισμικού της R και του πακέτου keras, όπου γίνεται αντιληπτή η πρακτική διαδικασία της εκπαίδευσης των νευρωνικών δικτύων, καθώς και οι δυσκολίες που αυτή περιέχει. Συνεπώς, στο τέταρτο κεφάλαιο είναι πλέον εφικτό να μιλήσουμε για την σύνδεση των μεγάλων δεδομένων με τα νευρωνικά δίκτυα, όπου αναφέρουμε κάποιες σύγχρονες εφαρμογές τους και έπειτα κάποιες δυσκολίες που δημιουργούνται κατά την επαφή τους. Τελικά, αναφέρουμε τα συμπεράσματα και τις μελλοντικές κατευθύνσεις που θεωρούμε ότι πρέπει να ακολουθήσουν οι ερευνητές που ψάχνουν καινοτόμες προσεγγίσεις στα μεγάλα δεδομένα με την χρήση νευρωνικών δικτύων.

Big data make up the modern world’s wealth. The sources from which they are generated have greater variability than that of classical data. They are able to propel forward science and the strategies of businesses, with applications ranging from the Netflix movie recommendation system and the YouTube personalized ad recommendation system, to the early diagnosis of cancer and the making of digital twins. What connects these services and big data, are the neural networks, that are able to mine rules and make predictions from patterns in the data automatically, without being explicitly programmed. In the following thesis, we will be presenting the connection of neural networks with big data. We are splitting the first chapter in three sections, which cover the theoretical background for what will be covered afterwards. These sections first include big data with its characteristics and applications, then machine learning alongside the categories, and the meaning of, “learning” in its algorithms, and lastly the neural networks, with a representation of their biological inspiration and also some common terms like the activation function and loss function. In the second chapter, we deepen into the neural network architectures of multilinear perceptrons (MLP), convolutional neural networks (CNN) and recurrent neural networks (RNN), while also detailing the learning process for each of them. Furthermore, in the third chapter we showcase some applications of neural networks through the use of the R programming language and the keras package, while the practical process of training neural networks, as well as the problems that arise, become transparent. Afterwards, in the fourth chapter, we are able to talk about the connection between neural networks and big data, where we mention some of the modern applications and the difficulties that happen at their conjunction. Finally, we give the concluding remarks and the future directions that we consider worthy for researchers that are pursuing a novel approach into big data, through neural networks.