Нейронные сети и задача классификации

Оглавление

Введение  3

Глава 1. Постановка задачи  5

1.1. Характеристика проблемной ситуации  5

1.2. Обзор интеллектуальных систем для поиска решения данной проблемной ситуации 9

1.3. Выбор конкретной интеллектуальной системы 11

1.4. Описание выходной информации и исходных данных  17

Глава 2. Разработка метода классификации изображений на основе глубокого обучения с использованием трансферного обучения и адаптивной оценки момента  20

2.1. Используемые математические методы и тип интеллектуальной системы  20

2.2. Особенности применения выбранного подхода к решению проблемной ситуации  22

Глава 3. Анализ полученных результатов и выводы  27

Заключение  34

Список литературы  36

Приложение  38

Введение

Нейронные сети – это класс моделей машинного обучения, вдохновленный структурой и функциями человеческого мозга. Они состоят из взаимосвязанных узлов или искусственных нейронов, организованных в слои. Базовым строительным блоком нейронной сети является персептрон, который принимает несколько входных функций, присваивает им веса, суммирует результаты, а затем передает сумму через функцию активации для получения выходных данных.Нейронные сети широко используются для решения задач классификации, целью которых является классификация входных данных по различным классам или категориям. Нейронные сети обычно применяются для решения задач классификации:1. Входной слой: Первый слой нейронной сети – это входной слой, где каждый узел соответствует признаку входных данных. Количество узлов во входном слое определяется количеством объектов в вашем наборе данных.2. Скрытые слои: Между входным и выходным слоями может быть один или несколько скрытых слоев. Каждый узел скрытого слоя применяет веса к входным данным и передает результат через функцию активации. Количество скрытых слоев и количество узлов в каждом слое — это гиперпараметры, которые можно настроить в зависимости от сложности проблемы.3. Выходной слой: Выходной слой выдает окончательный результат работы нейронной сети. Для задачи классификации количество узлов в выходном слое соответствует количеству классов, на которые вы хотите классифицировать данные. Функция активации, используемая в выходном слое, зависит от характера проблемы:Для бинарной классификации обычно выбирают функцию активации сигмовидной кишки.Для мультиклассовой классификации часто используется функция активации softmax.4. Обучение: На этапе обучения нейронная сеть изучает оптимальные веса для каждого соединения, минимизируя функцию потерь. Обычно это делается с использованием алгоритмов оптимизации, таких как градиентный спуск.5. Функции активации: Функции активации привносят в модель нелинейность, позволяя ей изучать сложные взаимосвязи в данных. Общие функции активации включают сигмовидную, тан и ReLU (выпрямленную линейную единицу).6. Функция потерь: Функция потерь измеряет разницу между прогнозируемым выходом и фактической целью. Для задач классификации часто используется перекрестная энтропийная потеря.7. Оптимизация: Алгоритмы оптимизации, такие как стохастический градиентный спуск (SGD) или более продвинутые варианты, такие как Adam, используются для итеративной корректировки весов во время обучения, чтобы минимизировать функцию потерь.Нейронные сети можно реализовать с использованием различных фреймворков глубокого обучения, таких как TensorFlow или PyTorch. Архитектуру и гиперпараметры нейронной сети можно настроить в зависимости от конкретных характеристик рассматриваемой задачи классификации.

Список литературы

J. Han and M. Kamber, Data Mining : Concepts and Techniques.R. Feldman and J. Sanger, The text mining handbook: advanced approaches in analyzingunstructured data. Cambridge; New York: Cambridge University Press, 2007. Accessed: Feb.20, 2021. [Online]. Available: http://www.books24x7.com/marc.asp?bookid=23164K.

Akromunnisa and R. Hidayat, “Klasifikasi Dokumen Tugas Akhir (Skripsi) MenggunakanK-Nearest Neighbor,” JISKA J. Inform. Sunan Kalijaga, vol. 4, no. 1, p. 69, May 2019, doi:10.14421/jiska.2019.41-07.D. M. U.

Atmaja and R. Mandala, “Analisa Judul Skripsi untuk Menentukan PeminatanMahasiswa Menggunakan Vector Space Model dan Metode K-Nearest Neighbor,” IT Soc., vol.4, no. 2, Aug. 2020, doi: 10.33021/itfs.v4i2.1182.

A.F. Hidayatullah and M. R. Ma’arif, “Penerapan Text Mining dalam Klasifikasi JudulSkripsi,” p. 4, 2016.S. Mujilahwati, “Pre-Processing Text Mining Pada Data Twitter,” p. 8, 2016.

C. Darujati and A. B. Gumelar, “Pemanfaatan Teknik Supervised Untuk Klasifikasi TeksBahasa Indonesia,” p. 9.

H. Asril and I. Kamila, “Klasifikasi Dokumen Tugas Akhir Berbasis Text Mining menggunakanMetode Naïve Bayes Classifier dan K-Nearest Neighbor,” p. 10, 2019.

D.H. Kalokasari, I. M. Shofi, and A. H. Setyaningrum, “Implementasi Algoritma MultinomialNaive Bayes Classifier Pada Sistem Klasifikasi Surat Keluar (Studi Kasus : DISKOMINFOKabupaten Tangerang),” J. Tek. Inform., vol. 10, no. 2, pp. 109–118, Oct. 2017, doi:10.15408/jti.v10i2.6199.

A.P. Wijaya and H. A. Santoso, “Naive Bayes Classification pada Klasifikasi Dokumen UntukIdentifikasi Konten E-Government,” no. 1, p. 8.

А.S. Diantika and Y. Firmanto, “ Implementasi Machine Learning Pada Aplikasi PenjualanProduk Digital (Studi Pada Grabkios),” P. 15.

F. O. Reynaldi And N. Hikmah, “Implementasi Machine Learning Pada Sistem PetsIdentification Menggunakan Python Berbasis Ubuntu,” p. 6, 2020.

R.R. Santoso, R. Megasari, and Y. A. Hambali, “Implementasi Metode Machine LearningMenggunakan Algoritma Evolving Artificial Neural Network Pada Kasus Prediksi DiagnosisDiabetes,” p. 13.

O. Somantri, S. Wiyono, and D. Dairoh, “Metode K-Means untuk Optimasi Klasifikasi TemaTugas Akhir Mahasiswa Menggunakan Support Vector Machine (SVM),” Sci. J. Inform., vol. 3, no. 1, pp. 34–45, Jun. 2016, doi: 10.15294/sji.v3i1.5845.

Deolika, K. Kusrini, and E. T. Luthfi, “Analisis Pembobotan Kata Pada Klasifikasi TextMining,” J. Teknol. Inf., vol. 3, no. 2, p. 179, Dec. 2019, doi: 10.36294/jurti.v3i2.1077.