Search academic texts

Information × Registration Number 2124U001245, Article popup.category Бакалаврська робота Title popup.author Федоренко Кирило Володимирович popup.publication 01-01-2024 popup.source_user Електронний архів наукових та освітніх матеріалів КПІ ім. Ігоря Сікорського popup.source https://ela.kpi.ua/handle/123456789/70272 popup.publisher Київ Description Дипломна робота: 71 с., 1 рис., 35 посилань, 1 додаток. Об'єкт дослідження - задачі машинного навчання з обмеженим набором навчальних даних. Предмет дослідження -використання архітектури DenseNet для навчання на коротких вибірках даних. Метою дослідження було проаналізувати та оцінити ефективність використання архітектури DenseNet для навчання на коротких вибірках, а також розробити рекомендації щодо покращення продуктивності моделі в умовах обмеженого обсягу даних. В сучасній епосі великих даних та швидкого розвитку інформаційних технологій, значні виклики виникають при обробці та аналізі обмежених наборів даних. В умовах, де доступний обсяг навчальних даних є недостатнім, стає необхідним розробка та вдосконалення методів машинного навчання для ефективного використання цих даних. Одна з ключових задач – це досягнення високої точності при обмеженій кількості даних, що є актуальним у багатьох сферах, таких як медицина, де обсяг даних часто є обмеженим, або промисловість, де збір даних є дорогим процесом. Архітектура DenseNet (Densely Connected Convolutional Networks) показала високі результати у задачах комп'ютерного зору завдяки ефективному використанню параметрів і унікальній структурі з'єднань між шарами. Однак, її продуктивність в умовах обмежених наборів даних залишається недостатньо вивченою. Це дослідження фокусується на адаптації DenseNet для роботи з короткими вибірками, дослідженні її поведінки при різних методах вирішення проблем обмеженості даних та пошуку оптимальних налаштувань. popup.nrat_date 2025-01-29 Close