| Form of studies |
Bachelor |
| Title of the study programm |
Computer Systems |
| Title in original language |
Dropout funkcijas ietekme uz regresijas un klasifikācijas uzdevumiem dziļajā mašīnmācībā |
| Title in English |
Comparative analysis of dropout methods for regression task in deep learning |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Ēvalds Urtāns |
| Reviewer |
Ērika Nazaruka |
| Abstract |
Pētījumā veikts salīdzinājums starp četrām dažādām “dropout” funkcijām regresijas uzdevumos, izmantojot dziļo mašīnmācību. “Dropout” funkcija ir viena no regularizācijas metodēm, kas tiek izmantota, lai novērstu pārapmācīšanās problēmu. Tā ir bieži sastopama problēma dziļo neironu tīklu modeļos, kuru izraisa apmācības datu trūkums, slikta datu kvalitāte vai pārmērīgs modeļa parametru skaits.
Darbā salīdzinātas vienkāršā, Gausa sadalījuma, “drop-connect” un sarežģītā “dropout” funkcijas konstantā vidē, izmantojot “Boston houses”, “California houses”, “Weather is Szeged”, un “BNG” datu kopas. Eksperimenta rezultāti norāda, ka “dropout” funkciju pievienošana var novērst modeļa pārapmācīšanos un dažos gadījumos arī uzlabot modeļa precizitāti. Modelis “Boston Houses” datu kopā, bez “dropout” funkcijas, sasniedza 75% precizitāti, taču ar “dropout” funkciju precizitāte uzlabojās, sasniedzot 90%.
Šis bakalaura darbs sastāv no 50 lapām, 33 attēliem, 6 tabulām un 30 informācijas avotiem. |
| Keywords |
DEEP LEARNING, DROPOUT FUNCTION, REGRESSION, NEURAL NETWORK |
| Keywords in English |
DEEP LEARNING, DROPOUT FUNCTION, REGRESSION, NEURAL NETWORK |
| Language |
eng |
| Year |
2021 |
| Date and time of uploading |
07.01.2022 06:44:51 |
