Дорогий, Ярослав ЮрійовичКолісніченко, Вадим Юрійович2018-05-212018-05-212018Колісніченко, В. Ю. Дослідження впливу застосування спайкових нейронних мереж при навчанні класичних : магістерська дис. : 151 Автоматизація та комп’ютерно-інтегровані технології / Колісніченко Вадим Юрійович. – Київ, 2018. – 126 с.https://ela.kpi.ua/handle/123456789/22998Магістерська дисертація освітньо-кваліфікаційного рівня “магістр” на тему “ Дослідження впливу застосування спайкових нейронних мереж при навчанні класичних ”: 125 с., 39 рис., 26 табл., 3 додатки, 30 джерел. Об'єкт дослідження – використання спайкових нейронних мереж в роботі штучних нейронних мереж. Мета роботи – дослідити вплив застосування спайкових нейронних мереж на етапі попереднього тренування на точність навчання класичних штучних нейронних мереж. Штучні нейронні мережі зазвичай вимагають розмічених наборів даних для вирішення найбільш цікавих проблем. Збір позначених даних зазвичай є складною проблемою, оскільки потребує ручної анотації. А велика кількість нерозмічених даних, навпаки, може бути легко зібрана автоматично. Ідея використовувати нерозмічені дані для покращенн я показників штучних нейронних мереж при навчанні на розмічених даних не є новою. Нерозмічений набір даних, як правило, застосовується перед навчанням з учителем, на етапі попереднього тренування. Подібний принцип також застосовується до завдань напівавтоматичного навчання, коли кількість розмічених прикладів мала. У даній роботі досліджується вплив застосування нового розробленого підходу до задач напівавтоматичного навчання традиційних штучних нейронних мереж, який базується на використанні спайкових нейронних мереж на етапі попереднього тренування. Прогнозні припущення про розвиток дослідження – розробка ефективнішого алгоритму перенесення моделі спайкової нейронної мережі та застосування запропонованого методу попереднього тренування для більш складних архітектур штучних нейронних мереж.ukспайкові нейронні мережінапівавтоматичне навчаннянавчання без учителяпопереднє тренуванняspiking neural networkssemi-supervised learningunsupervised learningpre-trainingMaster Thesis126 с.004.9