Автоматична декомпозиція ознак для спільного навчання з одним уявленням

Скорочена інформація про документ
dc.contributor.advisorЧумаченко, Олена Іллівна
dc.contributor.authorЯровий, Сергій Сергійович
dc.date.accessioned2023-09-16T12:05:09Z
dc.date.available2023-09-16T12:05:09Z
dc.date.issued2023
dc.description.abstractДипломна робота: 78 сторінок, 17 рисунків, 20 таблиць, 1 додаток, 46 джерел. Об’єкт дослідження – Алгоритми спільного навчання і декомпозиція даних з одним уявленням. Предмет дослідження – новий алгоритм спільного навчання на основі адаптованого алгоритму стохастичного поширення міток і порівняння його точності і швидкодії з існуючими рішеннями. Мета роботи – розробити алгоритм спільного навчання, що перевищує поточні рішення за швидкістю роботи і точністю, для проведення аналізу для невідкладних ситуацій, на кшталт гострої серцевої недостатності. Актуальність – Через структуру більшості алгоритмів напівкерованого навчання, при роботі з даними великої розмірності, вони потребують попередньої декомпозиції ознак для більш ефективної роботи основного алгоритму а також великі витрати часу для роботи. В умовах невідкладної ситуації, швидкодія є фактором, зрівнянним по важливості з точністю. У роботі створено новий метод спільного навчання і проведено порівняльний аналіз з існуючими рішеннями. Було обрано оптимальні значення гіперпараметрів для різних наборів даних.uk
dc.description.abstractotherThesis: 78 pages, 17 figures, 20 tables, 1 appendix, 46 sources. The object of research – Dataset of patients with suspected acute decompensated heart failure. The subject of research – a new co-training algorithm based on an adapted stochastic label propagation algorithm and comparison of its accuracy and performance with existing solutions The purpose of the work – develop a semi-supervised learning algorithm that outperforms current solutions in terms of speed and accuracy to analyze urgent situations such as acute decompensated heart failure Relevance – Due to the structure of most semi-supervised learning algorithms, when working with high-dimensional data, they require preliminary feature decomposition for more efficient operation of the main algorithm, as well as facing issues with high exectution times. In an emergency situation, speed is a factor of equal importance to accuracy. In this paper, a new method of co-training is created and compared with existing solutions. The optimal values of hyperparameters for different datasets were chosen.uk
dc.format.extent78 с.uk
dc.identifier.citationЯровий, С. С. Автоматична декомпозиція ознак для спільного навчання з одним уявленням : дипломна робота ... бакалавра : 122 Комп'ютерні науки / Яровий Сергій Сергійович. – Київ, 2023. – 83 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/60434
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectнапівкероване навчанняuk
dc.subjectспільне навчанняuk
dc.subjectстохастичне поширення мітокuk
dc.subjectграфове поширення мітокuk
dc.subjectгостра серцева недостатністьuk
dc.subjectsemi-supervised learninguk
dc.subjectco-traininguk
dc.subjectstochastic label propagationuk
dc.subjectgraph-based label propagationuk
dc.subjectacute decompensated heart failureuk
dc.titleАвтоматична декомпозиція ознак для спільного навчання з одним уявленнямuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Yarovyi_Bakalavr.docx
Розмір:
404.61 KB
Формат:
Microsoft Word XML
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