Тема: НЕЙРОННАЯ СЕТЬ ДЛЯ РАСПОЗНАВАНИЯ РУКОПИСНЫХ ЦИФР
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.
📋 Содержание
Глава 1 Нейронные сети 3
1.1 Биологический нейрон 3
1.2 Искусственный нейрон 4
1.3 Функции активации 5
1.4 Однослойная нейронная сеть 7
1.5 Многослойная нейронная сеть 7
1.6 Обучение с учителем 8
1.7 Обучение без учителя 9
1.8 Категориальная кросс энтропия 9
Глава 2 Алгоритмы нейронных сетей 10
2.1 Градиентный спуск 10
2.2 Adagrad 11
2.3 RMSProp 12
2.4 Adam 12
2.5 Алгоритм обратного распространения ошибки 13
Глава 3 Реализация 14
3.1 Используемые библиотеки 14
3.2 Набор данных 14
3.2 Представление данных 15
3.3 Инициализация нейронной сети 16
3.4 Прогноз 17
3.5 Исследование эффективности 19
Заключение 23
Список литературы 24
Приложение 1 25
📖 Введение
Выйдя за пределы коммерческих приложений, машинное обучение уже оказало огромное влияние на научные исследования, управляемые данными. Инструменты, представленные в данной работе, использовались для решения различных научных задач (исследование звезд, поиск далеких планет, открытие новых частиц, анализ последовательностей ДНК, а также разработка персонализированных методов лечения рака).
Целью работы является построить нейронную сеть для распознавания рукописных цифр и сравнить эффективность использования методов оптимизации Adam, Adagrad, RMSProp.
✅ Заключение
Из результатов проведенной работы видно, что наилучшим образом в плане эффективности показал себя метод Adam, хотя и RMSProp не сильно отстает. Adagrad же показал хорошую эффективность, но с лучшей сопротивляемостью к переобучению.
Благодаря широкому спектру разнообразных библиотек и надстроек в языке Python, открываются большие возможности для реализации машинного обучения и нейронных сетей, что помогает в освоении и реализации интересующих методов.
📕 Список литературы
🖼 Скриншоты
