Simple view
Full metadata view
Authors
Statistics
Badanie statystycznych własności treningu modeli uczenia maszynowego
Analysis of statistical properties of machine learning training
uczenie maszynowe, sztuczna inteligencja, głębokie sieci neuronowe, tensor, warstwa, waga, spadek gradientu, funkcja straty, niedostateczne dopasowanie, nadmierne dopasowanie, propagacja wsteczna, keras, tensorflow, sieć gęsto połączona, sieć konwolucyjna, dropout, pooling, regularyzacja, klasyfikacja binarna, klasyfikacja wieloklasowa
machine learning, artificial intelligence, deep neural networks, tensor, layer, weight, gradient descent, loss function, accuracy, underfitting, overfitting, backpropagation, keras, tensorflow, densely connected network, convolutional network, dropout, pooling, regularization, binary classification, multiclass classification
Przedstawione zostają zastosowania głębokich sieci neuronowych. Następnie, opisana jest struktura sieci neuronowych i reprezentacja danych w postaci tensorów. Ukazane są podstawowe operacje na tensorach.Przedstawione są najważniejsze parametry sieci neuronowych - wagi, oraz sposoby ich optymalizacji.Następuje wprowadzenie do pythonowego środowiska Keras i krótka prezentacja notebooków Google Colab.W kolejnej części opisane są 3 problemy klasyfikacji - recenzji IMDB, obrazów MNIST-10, oraz obrazów CIFAR-10. Dla każego z problemów przedstawiony jest inny model sieci neuronowej.Finalnie, analizowane są rozkłady wag poszczególnych modeli przed, oraz po treningu.
Firstly, deep neural network applications are presented. Next, the structure of neural networks and tensor data representation are described. Basic tensor manipulation and algebraic operations are illustrated.The most important parameters of neural networks - weights - are depicted, along with methods of their optimization. Keras API and Google Colab notebooks are introduced.In the next part, 3 classification problems are described - IMDB movie reviews dataset, MNIST-10 handwritten digits dataset and CIFAR-10 dataset. For each of the problems, a unique deep neural network model is created and described.Lastly, weight distributions of each model before and after training are analysed.
| dc.abstract.en | Firstly, deep neural network applications are presented. Next, the structure of neural networks and tensor data representation are described. Basic tensor manipulation and algebraic operations are illustrated.The most important parameters of neural networks - weights - are depicted, along with methods of their optimization. Keras API and Google Colab notebooks are introduced.In the next part, 3 classification problems are described - IMDB movie reviews dataset, MNIST-10 handwritten digits dataset and CIFAR-10 dataset. For each of the problems, a unique deep neural network model is created and described.Lastly, weight distributions of each model before and after training are analysed. | pl |
| dc.abstract.pl | Przedstawione zostają zastosowania głębokich sieci neuronowych. Następnie, opisana jest struktura sieci neuronowych i reprezentacja danych w postaci tensorów. Ukazane są podstawowe operacje na tensorach.Przedstawione są najważniejsze parametry sieci neuronowych - wagi, oraz sposoby ich optymalizacji.Następuje wprowadzenie do pythonowego środowiska Keras i krótka prezentacja notebooków Google Colab.W kolejnej części opisane są 3 problemy klasyfikacji - recenzji IMDB, obrazów MNIST-10, oraz obrazów CIFAR-10. Dla każego z problemów przedstawiony jest inny model sieci neuronowej.Finalnie, analizowane są rozkłady wag poszczególnych modeli przed, oraz po treningu. | pl |
| dc.affiliation | Wydział Fizyki, Astronomii i Informatyki Stosowanej | pl |
| dc.area | obszar nauk ścisłych | pl |
| dc.contributor.advisor | Witaszczyk, Przemysław - 173687 | pl |
| dc.contributor.author | Sibik, Michał | pl |
| dc.contributor.departmentbycode | UJK/WFAIS | pl |
| dc.contributor.reviewer | Witaszczyk, Przemysław - 173687 | pl |
| dc.contributor.reviewer | Białas, Piotr - 127296 | pl |
| dc.date.accessioned | 2020-07-28T01:16:27Z | |
| dc.date.available | 2020-07-28T01:16:27Z | |
| dc.date.submitted | 2019-09-13 | pl |
| dc.fieldofstudy | informatyka | pl |
| dc.identifier.apd | diploma-134053-225480 | pl |
| dc.identifier.project | APD / O | pl |
| dc.identifier.uri | https://ruj.uj.edu.pl/xmlui/handle/item/236304 | |
| dc.language | pol | pl |
| dc.subject.en | machine learning, artificial intelligence, deep neural networks, tensor, layer, weight, gradient descent, loss function, accuracy, underfitting, overfitting, backpropagation, keras, tensorflow, densely connected network, convolutional network, dropout, pooling, regularization, binary classification, multiclass classification | pl |
| dc.subject.pl | uczenie maszynowe, sztuczna inteligencja, głębokie sieci neuronowe, tensor, warstwa, waga, spadek gradientu, funkcja straty, niedostateczne dopasowanie, nadmierne dopasowanie, propagacja wsteczna, keras, tensorflow, sieć gęsto połączona, sieć konwolucyjna, dropout, pooling, regularyzacja, klasyfikacja binarna, klasyfikacja wieloklasowa | pl |
| dc.title | Badanie statystycznych własności treningu modeli uczenia maszynowego | pl |
| dc.title.alternative | Analysis of statistical properties of machine learning training | pl |
| dc.type | licenciate | pl |
| dspace.entity.type | Publication |