Методи машинного навчання для вирішення задачі Human Activity Recognition

Скорочена інформація про документ
dc.contributor.advisorДанилов, Валерій Якович
dc.contributor.authorКаленіченко, Денис Олександрович
dc.date.accessioned2025-02-04T08:46:50Z
dc.date.available2025-02-04T08:46:50Z
dc.date.issued2024
dc.description.abstractМагістерська дисертація: 90 c., 11 рис., 21 табл., 1 дод., 32 джерела. Об’єктом дослідження є поведінкові дані людини з носимих пристроїв, які отримані з давачів – акселерометру та гіроскопу. В дослідження також входять способи обробки отриманих поведінкових даних та архітектур розпізнавання активності методами машинного навчання на базі цих даних. Предметом дослідження є підгрупа методів машинного навчання, а саме генеративні мережі, їх властивості та можливості у розпізнаванні поведінкової активності людини. Методи дослідження – це методи глибокого навчання з генеративним підходом, їх можливості для розв’язання проблеми розпізнавання поведінкової активності людини. Метою роботи є розробка системи розпізнавання активності людини на базі поведінкових даних з давачів носимих пристроїв на основі методів машинного навчання з генеративним підходом на базі автокодувальників. Магістерська дисертація складається зі вступу, чотирьох розділів, переліку джерел посилання та одного додатку. У першому розділі наведений розгляд понять носимих пристроїв, їх використання, актуальність та важливість. У другому розділі наведені види машинного навчання, методи та архітектури, які підходять до вирішення задачі розпізнавання активності. В третьому розділі приводиться розробка архітектури системи, тренування отриманих моделей глибокого машинного навчання і результати. Четвертий розділ включає розробку стартап-проєкту. У додатку наведено код розробленої програми.
dc.description.abstractotherMaster’s thesis: 90 p., 11 fig., 21 tables, 1 appendix, 32 references. The object of the study is data from wearable devices that are obtained from sensors – accelerometer and gyroscope. The study also includes methods for processing them and methods for recognizing activity by machine learning methods on this data. The subject of the study is a subgroup of machine learning methods, namely generative networks, their properties and capabilities in recognizing human activity. Research methods are generative networks, their capabilities in solving the problem of activity recognition. The purpose of the work is to develop systems for recognizing human activity based on data from sensors of wearable devices based on machine learning methods, namely generative networks. The master's thesis consists of an introduction, Sections 1-4, references and Appendix A. Section 1 provides an overview of the concepts of wearable devices, their use, relevance and importance. Section 2 presents the types of machine learning, methods and architectures that are suitable for solving the problem of activity recognition. Section 3 provides the development of the system architecture, training of the obtained deep machine learning models and the results. Section 4 includes the development of a start-up project. Appendix A contains the code of the developed program.
dc.format.extent90 с.
dc.identifier.citationКаленіченко, Д. О. Методи машинного навчання для вирішення задачі Human Activity Recognition : магістерська дис. : 124 Системний аналіз / Каленіченко Денис Олександрович. - Київ, 2024. - 90 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/72343
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectглибоке навчання
dc.subjectгенеративні мережі
dc.subjectваріаційний автокодувальник
dc.subjectрекурентні нейронні мережі
dc.subjectнапівкероване навчання
dc.subjectdeep learning
dc.subjectgenerative networks
dc.subjectvariational autoencoder
dc.subjectrecurrent neural networks
dc.subjectsemi-guided learning
dc.subject.udc303.72.4
dc.titleМетоди машинного навчання для вирішення задачі Human Activity Recognition
dc.typeMaster Thesis

Файли

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

Магістерські роботи (ММСА)
Магістерські роботи