| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Neironu tīklu stāvokļa diagnosticēšana, analizējot to parametru sadalījumu |
| Nosaukums angļu valodā |
Neural Network State Diagnosis Based on Parameter Distribution Analysis |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Henrihs Gorskis |
| Recenzents |
Ilze Bērziņa |
| Anotācija |
Mākslīgo neironu tīklu apmācības kvalitātes noteikšana joprojām galvenokārt balstās uz testa datu kopām, kas ir lēns un resursietilpīgs process, turklāt bieži vien testa dati nav pieejami privātuma dēļ vai arī pieejams ir tikai pats modelis bez datiem. Šī bakalaura darba mērķis ir izstrādāt un eksperimentāli pārbaudīt klasifikācijas modeli, kas spēj diagnosticēt fiksētas arhitektūras neironu tīkla stāvokļa kvalitāti, izmantojot tikai tā svaru statistiskos rādītājus. Pētījuma gaitā tika veikta literatūras analīze, definēta eksperimenta metodoloģija, ģenerēti 700 primārie modeļi – 500 uz MNIST datu kopas un 200 uz Fashion-MNIST datu kopas, mainot septiņus hiperparametrus, un aprēķināti seši statistiskie rādītāji katram no trim modeļa slāņiem, kopā 18 pazīmes. Izmantojot Random Forest klasifikatoru uz MNIST modeļiem, tika sasniegta 86,0% precizitāte testa kopā, turklāt slikto modeļu atpazīšanas F1 rādītājs bija 0,93. Vispārināšanas eksperimentā ar Fashion-MNIST datu kopu un plašāku arhitektūru precizitāte saglabājās 56,0%, bet slikto modeļu atpazīšana joprojām bija augsta (F1=0,90). Darba apjoms ir 51 lappuses, tas ietver 13 attēlus, 5 formulas, 4 tabulas, 1 pielikumu ar programmatūras kodu un 26 informācijas avoti. |
| Atslēgas vārdi |
MĀKSLĪGIE NEIRONU TĪKLI, MODEĻU DIAGNOSTIKA, PARAMETRU ANALĪZE, KLASIFIKĀCIJA, MAŠĪNMĀCĪŠANĀS |
| Atslēgas vārdi angļu valodā |
ARTIFICIAL NEURAL NETWORKS, MODEL DIAGNOSTICS, PARAMETER ANALYSIS, CLASSIFICATION, MACHINE LEARNING |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
25.05.2026 16:20:47 |
