Напівкероване навчання на основі гаусівських випадкових полів

Скорочена інформація про документ
dc.contributor.advisorКот, Анатолій Тарасович
dc.contributor.authorПавленко, Іван Миколайович
dc.date.accessioned2023-09-15T15:40:54Z
dc.date.available2023-09-15T15:40:54Z
dc.date.issued2023
dc.description.abstractДипломна робота: 104 с., 24 табл., 22 рис., 2 додатки, 18 джерел. Мета роботи: дослідження напівкерованого навчання на основі гаусівських випадкових полів та гармонічних функцій, розробка алгоритму, його модифікації та їх порівняння за результатами експериментів. Актуальність теми: в умовах великої кількості частково маркованих даних методи напівкерованого навчання стають найбільш актуальними та бажаними, а напівкероване навчання на основі гаусівських випадкових полів є одним з найшвидших, проте складних методів. Об’єктом дослідження є напівкероване навчання в задачах класифікації. Предметом дослідження є використання гаусівських випадкових полів та гармонічних функцій для поширення міток як методу напівкерованого навчання. Методи дослідження: імплементація алгоритму напівкерованого навчання, його модифікування, виконані мовою програмування Python, порівняння на основі проведених експериментів. Результати: був імплементований та модифікований досліджуваний алгоритм, проведені експерименти на синтетичних наборах даних, на їх результатах порівняно два алгоритма та зроблемо відповідні висновки.uk
dc.description.abstractotherThesis: 104 p., 24 tabl., 22 fig., 2 appendixes, 18 sources. Purpose: to study semi-supervised learning based on Gaussian random fields and harmonic functions, to develop an algorithm, its modifications, and to compare them based on the results of experiments. The relevance of the topic: in the context of a large amount of partially labeled data, semi-supervised learning methods are becoming the most relevant and desirable, and semi-supervised learning based on Gaussian random fields is one of the fastest, but complex methods. The object of study is semi-supervised learning in classification tasks. The subject of the study is the use of Gaussian random fields and harmonic functions for label propagation as a semi-supervised learning method. Research methods: implementation of the semi-supervised learning algorithm, its modifications performed in the Python programming language, comparison based on the experiments. Results: the algorithm under study was implemented and modified, experiments were conducted on synthetic datasets, and the results were used to compare the two algorithms and draw appropriate conclusions.uk
dc.format.extent104 с.uk
dc.identifier.citationПавленко, І. М. Напівкероване навчання на основі гаусівських випадкових полів : дипломна робота ... бакалавра : 122 Комп'ютерні науки / Павленко Іван Миколайович. – Київ, 2023. – 104 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/60411
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectкласифікаціяuk
dc.subjectмашинне навчанняuk
dc.subjectнапівкероване навчанняuk
dc.subjectметоди поширення мітокuk
dc.subjectгаусівські випадкові поляuk
dc.subjectгармонічні функціїuk
dc.subjectclassificationuk
dc.subjectmachine learninguk
dc.subjectsemi-supervised learninguk
dc.subjectlabel propagation methodsuk
dc.subjectgaussian random fieldsuk
dc.subjectharmonic functionsuk
dc.titleНапівкероване навчання на основі гаусівських випадкових полівuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Pavlenko_bakalavr.pdf
Розмір:
5.05 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи