Дослідження машинного навчання ЗНМ DenseNet на коротких вибірках

Скорочена інформація про документ
dc.contributor.advisorКот, Анатолій Тарасович
dc.contributor.authorФедоренко, Кирило Володимирович
dc.date.accessioned2024-10-30T13:34:52Z
dc.date.available2024-10-30T13:34:52Z
dc.date.issued2024
dc.description.abstractДипломна робота: 71 с., 1 рис., 35 посилань, 1 додаток. Об'єкт дослідження - задачі машинного навчання з обмеженим набором навчальних даних. Предмет дослідження -використання архітектури DenseNet для навчання на коротких вибірках даних. Метою дослідження було проаналізувати та оцінити ефективність використання архітектури DenseNet для навчання на коротких вибірках, а також розробити рекомендації щодо покращення продуктивності моделі в умовах обмеженого обсягу даних. В сучасній епосі великих даних та швидкого розвитку інформаційних технологій, значні виклики виникають при обробці та аналізі обмежених наборів даних. В умовах, де доступний обсяг навчальних даних є недостатнім, стає необхідним розробка та вдосконалення методів машинного навчання для ефективного використання цих даних. Одна з ключових задач – це досягнення високої точності при обмеженій кількості даних, що є актуальним у багатьох сферах, таких як медицина, де обсяг даних часто є обмеженим, або промисловість, де збір даних є дорогим процесом. Архітектура DenseNet (Densely Connected Convolutional Networks) показала високі результати у задачах комп'ютерного зору завдяки ефективному використанню параметрів і унікальній структурі з'єднань між шарами. Однак, її продуктивність в умовах обмежених наборів даних залишається недостатньо вивченою. Це дослідження фокусується на адаптації DenseNet для роботи з короткими вибірками, дослідженні її поведінки при різних методах вирішення проблем обмеженості даних та пошуку оптимальних налаштувань.
dc.description.abstractotherThesis: 71 pp., 1 figure, 35 references, 1 appendix. The object of research is machine learning problems with a limited set of training data. The subject of research is the use of the DenseNet architecture for training on short data samples. The purpose of the study was to analyze and evaluate the effectiveness of using the DenseNet architecture for training on short samples, as well as to develop recommendations for improving the performance of the model under conditions of limited data. In the modern era of big data and rapid development of information technologies, significant challenges arise in the processing and analysis of limited data sets. In conditions where the available amount of training data is insufficient, it becomes necessary to develop and improve machine learning methods for effective use of this data. One of the key challenges is to achieve high accuracy with a limited amount of data, which is relevant in many fields, such as medicine, where the amount of data is often limited, or industry, where data collection is an expensive process. The DenseNet (Densely Connected Convolutional Networks) architecture has shown high results in computer vision tasks due to the efficient use of parameters and the unique structure of connections between layers. However, its performance under limited data sets remains understudied. This study focuses on adapting DenseNet to work with short samples, investigating its behavior under different methods for solving data limitation problems, and finding optimal settings.
dc.format.extent79 с.
dc.identifier.citationФедоренко, К. В. Дослідження машинного навчання ЗНМ DenseNet на коротких вибірках : дипломна робота ... бакалавра : 122 Комп'ютерні науки / Федоренко Кирило Володимирович. – Київ, 2024. – 79 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/70272
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectмашинне навчання
dc.subjectкороткі вибірки
dc.subjectdensenet
dc.subjectаугментація даних
dc.subjectпопередньо навчена модель
dc.subjectрегуляризація
dc.subjectперехрестна валідація
dc.subjectmachine learning
dc.subjectshort samples
dc.subjectdata augmentation
dc.subjectpre-trained model
dc.subjectregularization
dc.subjectcross-validation
dc.titleДослідження машинного навчання ЗНМ DenseNet на коротких вибірках
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Fedorenko_bakalavr.docx
Розмір:
245.67 KB
Формат:
Microsoft Word XML
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи