📄Работа №157733
Тема: ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ К РАСПОЗНАВАНИЮ НЕГАТИВНОГО ТЕКСТА В СОЦИАЛЬНЫХ СЕТЯХ
Тип работы
Бакалаврская работа
Предмет
математика
Объем:
52 листов
Год:
2021
Просмотров:
68
4650
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 4
1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 6
1.1. Введение в нейронные сети 6
1.2. Математическая постановка задачи 8
1.3. Основные определения 9
1.4. Искусственные нейронные сети 9
1.5. Нейрон 10
1.6. Синапс 11
1.7. Функция активации 11
1.7.1. Ступенчатая функция 12
1.7.2. Линейная функция 12
1.7.3. Сигмоид 13
1.7.4. Гиперболический тангенс 14
1.7.5. Softmax 14
1.7.6. ReLU 15
1.8. Функция потерь 16
1.9. Рекуррентные нейронные сети 16
1.9.1. Полностью рекуррентная сеть 18
1.9.2. Проблема долгосрочных зависимостей 18
1.10. Сети LSTM 20
1.10.1. Слой утраты 22
1.10.2. Слой сохранения 23
1.10.3. Новое состояние 24
2. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ РЕКУРРЕНТНОЙ СЕТИ 26
2.1. Загрузка данных 26
2.2. Предобработка данных 27
2.3. Обработка данных 28
2.4. Построение модели 29
2.5. Компиляция модели 29
2.6. Обучение модели 30
2.7. Этап тестирования 30
3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ 32
3.1. Основные характеристики 32
3.2. Описание эксперимента 32
3.3. Исходный набор данных 33
3.4. Результаты экспериментов 33
ЗАКЛЮЧЕНИЕ 38
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 40
ПРИЛОЖЕНИЕ А. Программа для загрузки данных 42
ПРИЛОЖЕНИЕ Б. Программа для предобработки данных 44
ПРИЛОЖЕНИЕ В. Программа для создания и тестирования модели 46
1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 6
1.1. Введение в нейронные сети 6
1.2. Математическая постановка задачи 8
1.3. Основные определения 9
1.4. Искусственные нейронные сети 9
1.5. Нейрон 10
1.6. Синапс 11
1.7. Функция активации 11
1.7.1. Ступенчатая функция 12
1.7.2. Линейная функция 12
1.7.3. Сигмоид 13
1.7.4. Гиперболический тангенс 14
1.7.5. Softmax 14
1.7.6. ReLU 15
1.8. Функция потерь 16
1.9. Рекуррентные нейронные сети 16
1.9.1. Полностью рекуррентная сеть 18
1.9.2. Проблема долгосрочных зависимостей 18
1.10. Сети LSTM 20
1.10.1. Слой утраты 22
1.10.2. Слой сохранения 23
1.10.3. Новое состояние 24
2. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ РЕКУРРЕНТНОЙ СЕТИ 26
2.1. Загрузка данных 26
2.2. Предобработка данных 27
2.3. Обработка данных 28
2.4. Построение модели 29
2.5. Компиляция модели 29
2.6. Обучение модели 30
2.7. Этап тестирования 30
3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ 32
3.1. Основные характеристики 32
3.2. Описание эксперимента 32
3.3. Исходный набор данных 33
3.4. Результаты экспериментов 33
ЗАКЛЮЧЕНИЕ 38
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 40
ПРИЛОЖЕНИЕ А. Программа для загрузки данных 42
ПРИЛОЖЕНИЕ Б. Программа для предобработки данных 44
ПРИЛОЖЕНИЕ В. Программа для создания и тестирования модели 46
📖 Введение
Все чаще в современном мире ставятся вопросы влияния сетевых ресурсов на развитие личности человека. Данная проблема актуальна и очень многогранна, ведь социальные ресурсы несут в себе большое количество информации, как позитивной, так и негативной. К сожалению, никто не застрахован от негативного контентна, отрицательно влияющего на человека.
В России только в одной социальной сети «В контакте» насчитывается 73 миллиона активных пользователей в месяц [1]. Социальные сети дают пользователям возможность обмениваться информацией, общаться и создавать веб-контент.
В настоящее время нельзя недооценивать возможности ИИ. Его возможности возрастают благодаря использованию ИНС.
Искусственные нейронные сети (ИНС) - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях в задачах прогнозирования, для распознавания образов, в задачах управления и др.
ИНС - это система соединённых и взаимодействующих между собой простых искусственных нейронов (процессоров). Каждый нейрон сети периодически получает сигналы и периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
В работе предлагается использовать LSTM [2] сети, которые используются в задачах распознавания текста.
Целью данной работы является построение и реализация ИНС, которая будет распознавать негативный текст.
Задачи исследования:
- построить математическую модель нейронной сети;
- обучить модель;
- на тестовом наборе данных оценить работу модели;
- проанализировать результаты правильности работы программы на наборах данных.
В России только в одной социальной сети «В контакте» насчитывается 73 миллиона активных пользователей в месяц [1]. Социальные сети дают пользователям возможность обмениваться информацией, общаться и создавать веб-контент.
В настоящее время нельзя недооценивать возможности ИИ. Его возможности возрастают благодаря использованию ИНС.
Искусственные нейронные сети (ИНС) - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях в задачах прогнозирования, для распознавания образов, в задачах управления и др.
ИНС - это система соединённых и взаимодействующих между собой простых искусственных нейронов (процессоров). Каждый нейрон сети периодически получает сигналы и периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
В работе предлагается использовать LSTM [2] сети, которые используются в задачах распознавания текста.
Целью данной работы является построение и реализация ИНС, которая будет распознавать негативный текст.
Задачи исследования:
- построить математическую модель нейронной сети;
- обучить модель;
- на тестовом наборе данных оценить работу модели;
- проанализировать результаты правильности работы программы на наборах данных.
✅ Заключение
В данной работе была изучена задача классификации текста с применением модели рекуррентной нейронной сети. Рассмотрена актуальная архитектура сетей LSTM.
Изучена проблема долгосрочных зависимостей РНС. Рассмотрена задача бинарной классификации текста при помощи модели нейронной сети. Также была реализована актуальная архитектура сетей LSTM, которая хорошо зарекомендовала себя в машинном обучении.
На основе сети проводится четкая классификация с дальнейшим обучением в рамках разработанной системы, которая обладает такими преимуществами, как высокая скорость обработки входных данных, стабильная работа при наличии ошибочных данных и высокая эффективность при решении задач классификации.
Результатами работы являются:
- моделирование и реализация LSTM сети, которая оценивает тональность текста на python под библиотеку TensorFlow 2;
- реализация python-скрипта (парсера) для сканирования и загрузки комментариев из социальной сети «Вконтакте», которые используются для тестирования модели;
- проведен эксперимент, который показывает большие перспективы в использовании искусственных нейронных сетей для распознавания негативного текста.
Можно с уверенность сказать, что данная архитектура нейронной сети может быть применена для решения поставленной задачи.
В процессе обучения нейронная сеть сама определяет, какие признаки в данных важны, а какие нет. Сеть может подобрать такое сложное сочетание признаков, до которого человек никогда бы не догадался. Поэтому с помощью глубоких нейронных сетей удается решать такие задачи, с которыми не справляются традиционные алгоритмы машинного обучения.
В целом, исследование показало, что ИНС в настоящее время являются наиболее эффективными и перспективными в задачах классификации, что подтверждается результатами исследования.
Изучена проблема долгосрочных зависимостей РНС. Рассмотрена задача бинарной классификации текста при помощи модели нейронной сети. Также была реализована актуальная архитектура сетей LSTM, которая хорошо зарекомендовала себя в машинном обучении.
На основе сети проводится четкая классификация с дальнейшим обучением в рамках разработанной системы, которая обладает такими преимуществами, как высокая скорость обработки входных данных, стабильная работа при наличии ошибочных данных и высокая эффективность при решении задач классификации.
Результатами работы являются:
- моделирование и реализация LSTM сети, которая оценивает тональность текста на python под библиотеку TensorFlow 2;
- реализация python-скрипта (парсера) для сканирования и загрузки комментариев из социальной сети «Вконтакте», которые используются для тестирования модели;
- проведен эксперимент, который показывает большие перспективы в использовании искусственных нейронных сетей для распознавания негативного текста.
Можно с уверенность сказать, что данная архитектура нейронной сети может быть применена для решения поставленной задачи.
В процессе обучения нейронная сеть сама определяет, какие признаки в данных важны, а какие нет. Сеть может подобрать такое сложное сочетание признаков, до которого человек никогда бы не догадался. Поэтому с помощью глубоких нейронных сетей удается решать такие задачи, с которыми не справляются традиционные алгоритмы машинного обучения.
В целом, исследование показало, что ИНС в настоящее время являются наиболее эффективными и перспективными в задачах классификации, что подтверждается результатами исследования.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.