Порiвняння багатошарового перцептрону та (1+λ)-еволюцiйного алгоритму для задач класифiкацiї

Скорочена інформація про документ
dc.contributor.advisorЯворський, Олександр Андрійович
dc.contributor.authorХарь, Дмитро Федорович
dc.date.accessioned2024-10-01T11:23:43Z
dc.date.available2024-10-01T11:23:43Z
dc.date.issued2024
dc.description.abstractКвалiфiкацiйна робота мiстить: 54 стор., 7 рисункiв, 14 таблиць, 38 джерел. У данiй роботi розглядаються методи для вирiшення задач класифiкацiї, а саме: MLP, який використовує оптимiзацiйнi алгоритми в основi яких градiєнтний спуск, MLP, який використовує оптимiзацiйний алгоритм на основi одноточкової мутацiї та (1 + λ)-EA with GP encoding. Цi методи порiвнювались на задачах бiнарної та мультикласової класифiкацiї табличних даних та картинок. У ходi дослiдження було встановлено, що всi три методи здатнi досягти однакових метрик у всiх задачах. Найшвидшу збiжнiсть до цих метрик продемонстрував MLP з використанням градiєнтного спуску. Тим не менш, (1 + λ)-EA with GP encoding видiлився завдяки здатностi легко адаптуватись до умов задачi. Цей метод дозволяє обирати кiлькiсть нащадкiв i регулювати експресивнiсть iндивiдiв, що надає можливiсть зосередити пошук рiшень у конкретних областях простору рiшень. Такий пiдхiд є особливо корисним, коли потрiбно зосередитися на важливих регiонах пошуку для вдосконалення рiшень.
dc.description.abstractotherThis work considers methods for solving classification problems, namely: MLP, which uses optimization algorithms based on gradient descent, MLP, which uses an optimization algorithm based on one-point mutation, and (1+λ)-EA with GP encoding. These methods were compared in the tasks of binary and multiclass classification of tabular data and pictures. During the research, it was established that all three methods are able to achieve the same metrics in all tasks. The fastest convergence to these metrics was demonstrated by MLP using gradient descent. Nevertheless, (1 + λ)-EA with GP encoding stood out due to its ability to easily adapt to the task conditions. This method allows you to choose the number of offsprings and regulate the expressiveness of individuals, which makes it possible to focus the search for solutions in specific areas of the solution space. This approach is particularly useful when focusing on important search regions to improve solutions.
dc.format.extent54 с.
dc.identifier.citationХарь, Д. Ф. Порiвняння багатошарового перцептрону та (1+λ)-еволюцiйного алгоритму для задач класифiкацiї : дипломна робота … бакалавра : 113 Прикладна математика / Харь Дмитро Федорович. – Київ, 2024. – 54 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/69428
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectмашинне навчання
dc.subjectеволюцiйнi алгоритми
dc.subjectгенетичне програмування
dc.subjectметоди оптимiзацiї
dc.subjectекспресивнi кодування
dc.titleПорiвняння багатошарового перцептрону та (1+λ)-еволюцiйного алгоритму для задач класифiкацiї
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Khar_bakalavr.pdf
Розмір:
1.12 MB
Формат:
Adobe Portable Document Format
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 (ММАД)
Бакалаврські роботи