| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Salīdzinošā analīze pakāpeniskas apmācību sarežģītības celšanai, lai uzlabotu rezultātus attēlu klasifikācijas uzdevumiem dziļajā mašīnapmācībā |
| Nosaukums angļu valodā |
Comparative Analysis of Curriculum Learning for Classification Tasks in Deep Learning |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ēvalds Urtāns |
| Recenzents |
Katrina Boločko |
| Anotācija |
DZĪĻĀ MĀCĪŠANĀS, MĀCĪBU PROGRAMMAS MĀCĪŠANĀS, ATTĒLA KLASIFIKĀCIJA
Bakalaura darba veids:
1. veids: Mūsdienīgu risinājumu izpēte
Praksē ir ierasts, ka apmācību datu kopa ir saistīta ar troksni vai satur paraugus no dažām citām datu kopām. Mācību programmas apguve kā tēma mašīnmācībā eksperimentāli pierādīja, ka tā var palīdzēt palielināt mašīnmācīšanās modeļu veiktspēju. Šis bakalaura darbs iepazīstina ar divām “manuāli” cilvēku radītām mācību programmām, lai uzlabotu kopējo veiktspēju:
- viena programma attēla datu kopai ar troksni (trokšņu mācību programma);
- otra programma attēlu datu kopai, kas satur paraugus no citām datu kopām (klases mācību programma).
Dotajā darbā kontrolētajos eksperimentos autors pārbaudīja trokšņa mācību programmu MNIST, KMNIST,
un CIFAR10 datu kopās, kā arī klases mācību programmu KEMNIST datu kopā. Iegūtie rezultāti parādīja, ka, saskaņā ar eksperimentu iestatījumiem, izmantojot piedāvātās mācību programmas, klasifikators var iegūt vismaz 5:25% vispārināšanas veiktspējas palielināšanās. |
| Atslēgas vārdi |
DZĪĻĀ MĀCĪŠANĀS, MĀCĪBU PROGRAMMAS MĀCĪŠANĀS, ATTĒLA KLASIFIKĀCIJA |
| Atslēgas vārdi angļu valodā |
DEEP LEARNING, CURRICULUM LEARNING, IMAGE CLASSIFICATION |
| Valoda |
eng |
| Gads |
2022 |
| Darba augšupielādes datums un laiks |
06.01.2022 00:02:23 |
