Напівкерований граничний бустинг

Скорочена інформація про документ
dc.contributor.advisorСинєглазов, Віктор Михайлович
dc.contributor.authorВітковський, Данило Олександрович
dc.date.accessioned2023-09-15T09:31:39Z
dc.date.available2023-09-15T09:31:39Z
dc.date.issued2023
dc.description.abstractДипломна робота: 92 сторінки, 33 рисунки, 13 таблиць, 1 додаток, 17 джерел. Об’єкт дослідження – напівкерований граничний бустинг. Під час створення систем підтримки прийняття рішень, нейронних мереж та інших систем машинного навчання, виникає проблема збору та правильної класифікації тренувальних даних. Залежно від типу даних, процес класифікації може бути складним, повільним або вартісним. Наприклад, класифікація медичних знімків вимагає глибокої медичної експертизи і значних ресурсів часу. Існує ризик помилкової класифікації, що вносить шум у тренувальні дані. З метою вирішення цих викликів, були розроблені алгоритми напів- керованого навчання, що потребують меншого обсягу відмічених даних та здатні використовувати невідмічені дані. Одним з таких алгоритмів є напівкерований граничний бустинг, який дозволяє покращувати точність моделі бінарної класифікації через ітеративне навчання, використовуючи відмічені та невідмічені дані. Це дозволяє зекономити на попередній класифікації навчальних даних, не втрачаючи при цьому якості моделі. Мета роботи – розробити покращення існуючих підходів до реалізації алгоритму напівкерованого граничного бустингу. Практичне значення роботи полягає в отриманні високоефективного алгоритму для класифікації даних при невеликій кількості міток.uk
dc.description.abstractotherBachelor thesis: 92 pages, 33 figures, 13 tables, 1 appendix, 17 sources. The object of research is an algorithm of semi-supervised MarginBoost. When creating decision support systems, neural networks, and other machine learning systems, the problem of collecting and correctly classifying training data arises. Depending on the type of data, the classification process can be complex, slow, or costly. For example, classifying medical images requires in-depth medical expertise and significant time resources. There is a risk of misclassification, which introduces noise into the training data. In order to address these challenges, semi-supervised learning algorithms have been developed that require less labeled data and are able to utilize unlabeled data. One of these algorithms is Semi-Supervised MarginBoost, which improves the accuracy of a binary classification model through iterative learning using both labeled and unlabeled data. This allows to save on pre-classification of training data without losing the model performance. The aim of the work is to develop an improvement of existing approaches to the implementation of the semi-supervised margin boosting algorithm. The practical significance of this work is to obtain a highly efficient algorithm for data classification with a small number of labels.uk
dc.format.extent96 с.uk
dc.identifier.citationВітковський, Д. О. Напівкерований граничний бустинг : дипломна робота ... бакалавра : 122 Комп'ютерні науки / Вітковський Данило Олександрович. – Київ, 2023. – 96 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/60375
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectштучний інтелектuk
dc.subjectмашинне навчанняuk
dc.subjectкласифікаціяuk
dc.subjectбінарна класифікаціяuk
dc.subjectбустингuk
dc.subjectнапівкероване машинне навчанняuk
dc.subjectнапівкерований граничний бустингuk
dc.subjectartificial intelligenceuk
dc.subjectmachine learninguk
dc.subjectclassificationuk
dc.subjectbinary classificationuk
dc.subjectboostinguk
dc.subjectsemi-supervised machine learninguk
dc.subjectsemi-supervised margin boostinguk
dc.titleНапівкерований граничний бустингuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Vitkovskyi_bakalavr.pdf
Розмір:
3.54 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