Graduate papers
  
Description of the graduate paper
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