| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Dropout funkcijas ietekme uz regresijas un klasifikācijas uzdevumiem dziļajā mašīnmācībā |
| Nosaukums angļu valodā |
Comparative analysis of dropout methods for regression task in deep learning |
| Struktūrvienība |
12300 Lietišķo datorsistēmu institūts |
| Darba vadītājs |
Ēvalds Urtāns |
| Recenzents |
Ērika Nazaruka |
| Anotācija |
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. |
| Atslēgas vārdi |
DEEP LEARNING, DROPOUT FUNCTION, REGRESSION, NEURAL NETWORK |
| Atslēgas vārdi angļu valodā |
DEEP LEARNING, DROPOUT FUNCTION, REGRESSION, NEURAL NETWORK |
| Valoda |
eng |
| Gads |
2021 |
| Darba augšupielādes datums un laiks |
07.01.2022 06:44:51 |
