Кафедра штучного інтелекту (ШІ)

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/52504

Переглянути

Перегляд Кафедра штучного інтелекту (ШІ) за Ключові слова "004.85:004.93’1:61](043.3)"

Зараз показуємо 1 - 3 з 3
  • Ескіз
    ДокументВідкритий доступ
    Класифікація онкологічних захворювань шкіри методами напівкерованого навчання
    (КПІ ім. Ігоря Сікорського, 2024) Зарицький, Олексій Олексійович; Данилов, Валерій Якович
    Магістерська дисертація: 131c., 27 рис., 13 табл., 1 додаток, 12 посилань. Об’єкт дослідження – ідентифікація ракових захворювань шкіри. Предмет дослідження – використання методів напівкерованого навчання для покращення якості глибоких нейронних мереж для датасетів з великим відсотком нерозмічених даних, дослідження ефективності різних методів напівкерованого навчання для задачі ідентифікації ракових захворювань шкіри. Мета роботи – використання різних методів напівкерованого навчання для тренування базової моделі та порівняння її ефективності на тестовій вибірці. У цій роботі досліджено застосовність різних методів semisupervised learning для прикладної задачі, а саме задачі класифікації ракових захворювань шкіри по фотографіям, визначено найефективніші та найстабільніші методи для даного класу задач. У якості базової моделі взято просту згорткову нейронну мережу, яка навчалася за допомогою методів Proxy Labeling, Democratic Co-train, MixMatch, Ladder Network у різних модифікаціях та з різними значеннями гіперпараметрів на датасеті HAM10000 із 10% та 5% розмічених даних у тренувальній вибірці. Метричні показники всіх навчених варіантів моделей було порівняно та використано для аналізу найефективнішого методу напівкерованого навчання для даної задачі. Найефективнішими та найстабільнішими методами виявилися Ladder Network та Democratic Co-Train з учителем ResNet18. Результати цієї роботи рекомендується використовувати для навчання класифікаційних моделей в медичних даних. Результати цієї роботи були апробовані на міжнародній конференції.
  • Ескіз
    ДокументВідкритий доступ
    Сегментація медичних зображень на основі використання гібридних методів напівконтрольованого навчання
    (КПІ ім. Ігоря Сікорського, 2024) Шеруда, Андрій Володимирович; Синєглазов, Віктор Михайлович
    Магістерська дисертація: 98 с., 9 рис., 4 табл., 17 посилань, додаток. Назва дослідження: «Сегментація медичних зображень на основі використання гібридних методів напівконтрольованого навчання» Об’єкт дослідження: медичні зображення та їх сегментація за допомогою гібридних методів напівконтрольованого навчання. Предмет дослідження: алгоритми навчання та архітектури моделей сегментації медичних зображень на основі гібридних методів напівконтрольованого навчання. Мета роботи: розробка та дослідження гібридних методів напівконтрольованого навчання для сегментації медичних зображень з метою підвищення точності, ефективності та адаптивності сегментації при обмеженій кількості розмічених даних. Наукова новизна: запропоновано новий метод навчання моделі сегментації на основі гібрідного методу напівконтрольованого навчання. Цю роботу присвячено дослідженню та розробці нового метода навчання моделей семантичної сегментації послідовностей медичних зображень. Сам метод базується на основі двох гібридних методів напівконтрольованого навчання – co-learning та автоенкодер. Описаний новітній підхід відкриває нові перспективи для схожих задач та вирішує важливу проблему сегментації медичних зображень.
  • Ескіз
    ДокументВідкритий доступ
    Інтелектуальна система класифікації на основі графового підходу
    (КПІ ім. Ігоря Сікорського, 2024) Ручкін, Олександр Костянтинович; Синєглазов, Віктор Михайлович
    Магістерська дисертація: 116 с., 250 рис., 2 табл., 44 посилань, 2 додатка. Назва дослідження: «Інтелектуальна система класифікації на основі графового підходу». Мета роботи: розробка нових і поліпшення існуючих методів GSSL та на їх основі розробка інтелектуальної системи вирішення задач класифікації для синтетичних та реальних даних. Об'єкт дослідження: методи напівконтрольованого навчання на основі графів, що використовуються для вирішення задач класифікації, коли є лише обмежена кількість мічених даних у великих наборах. Предмет дослідження: предметом дослідження є гібридні методи GSSL засновані на вирішення рівняння дифузії для застосування у алгоритму розповсюдження міток у великих графових моделях. Наукова новизна: запропоновано новий метод GSSL - узагальнений підхід Diffuse Label Propagation на основі рівнянь Пуассону. Практичне значення: розроблено програмне забезпечення інтелектуальної системи классифікації даних. Програма дозволяє: відображати дані, будувати граф даних, обчислювати метрики, будувати графік точності для заданої послідовності початкових даних, обчислювати та будувати статистичні характеристики середнього та середньої похибки точності методу. Система орієнтована на науковців, інженерів даних та студентів, які працюють із задачами машинного навчання та класифікації. Програма також орієнтована на застосування у медицині як інструмент автоматичної медичної діагностиці та класифікації ризиків серцево-судинних захворювань. Результати цієї роботи були апробовані на міжнародних конференціях.