Binarna klasyfikacja danych z wykorzystaniem metody wektorów nośnych

licenciate
dc.abstract.enThis thesis describes an algorithm for binary data classification - Support Vector Machine, used in machine learning.It starts with a real life classification problem - given only a medical photography of a tumour, could be possibly decide whether it is malignant, or benign? The sample data used comes from Diagnostic Wisconsin Breast Cancer Database.Chapter 1 summarizes the basic notions of this classification method. Chapter 2 elaborates on non-linear programming and the theory of dual problems, including KKT conditions. Finally, the effectiveness of a linear SVM classifier was tested on the Wisconsin data sample. The last chapter mentions a modification to this strategy, namely a kernel trick, which allows us to investigate linearly nonseparable cases.All the numeric calculations were conducted with Python and the source code is included in Appendix A.pl
dc.abstract.plW pracy opisano metodę klasyfikacji danych, zwaną maszyną wektorów nośnych (ang. Support Vector Machine), używaną w obszarze uczenia maszynowego. Rozpoczęto od przytoczenia rzeczywistego problemu klasyfikacyjnego – czy na podstawie samego zdjęcia medycznego jesteśmy w stanie określić, czy pacjent choruje na nowotwór złośliwy, czy łagodny? Jako przykładową próbę wzięto zbiór pomiarów guzów piersi Diagnostic Wisconsin Breast Cancer Database. W Rozdziale 1 omówiona została idea tej metody klasyfikacji danych, wprowadzono również jej podstawowe pojęcia. Rozdział 2 skupia się na programowaniu nieliniowym oraz teorii dualności, w tym warunkach Karusha-Kuhna-Tuckera. Sprawdzono również, jak liniowy model SVM poradzi sobie z postawieniem wstępnej diagnozy pacjentom z Wisconsin. W ostatnim rozdziale wspomniano o modyfikacji metody wektorów nośnych, pozwalającej na pracę z danymi nierozdzielnymi liniowo. Wszystkie obliczenia numeryczne zostały wykonane w języku programowania Python, a kod źródłowy opisujący trening klasyfikatora zamieszczono w Dodatku A.pl
dc.affiliationWydział Matematyki i Informatykipl
dc.areaobszar nauk ścisłychpl
dc.contributor.advisorUlas, Maciej - 147984 pl
dc.contributor.authorPostaremczak, Angelikapl
dc.contributor.departmentbycodeUJK/WMI2pl
dc.contributor.reviewerUlas, Maciej - 147984 pl
dc.contributor.reviewerJabłoński, Zenon - 128391 pl
dc.date.accessioned2020-07-27T16:33:43Z
dc.date.available2020-07-27T16:33:43Z
dc.date.submitted2018-07-05pl
dc.fieldofstudymatematyka stosowanapl
dc.identifier.apddiploma-123970-210586pl
dc.identifier.projectAPD / Opl
dc.identifier.urihttps://ruj.uj.edu.pl/xmlui/handle/item/228278
dc.languagepolpl
dc.subject.enmachine learning, support vector machine, optimalization, nonlinear programmingpl
dc.subject.plmachine learning, uczenie maszynowe, support vector machine, programowanie nieliniowe, optymalizacjapl
dc.titleBinarna klasyfikacja danych z wykorzystaniem metody wektorów nośnychpl
dc.title.alternativeBinary data classification using Support Vector Machinepl
dc.typelicenciatepl
dspace.entity.typePublication
dc.abstract.enpl
This thesis describes an algorithm for binary data classification - Support Vector Machine, used in machine learning.It starts with a real life classification problem - given only a medical photography of a tumour, could be possibly decide whether it is malignant, or benign? The sample data used comes from Diagnostic Wisconsin Breast Cancer Database.Chapter 1 summarizes the basic notions of this classification method. Chapter 2 elaborates on non-linear programming and the theory of dual problems, including KKT conditions. Finally, the effectiveness of a linear SVM classifier was tested on the Wisconsin data sample. The last chapter mentions a modification to this strategy, namely a kernel trick, which allows us to investigate linearly nonseparable cases.All the numeric calculations were conducted with Python and the source code is included in Appendix A.
dc.abstract.plpl
W pracy opisano metodę klasyfikacji danych, zwaną maszyną wektorów nośnych (ang. Support Vector Machine), używaną w obszarze uczenia maszynowego. Rozpoczęto od przytoczenia rzeczywistego problemu klasyfikacyjnego – czy na podstawie samego zdjęcia medycznego jesteśmy w stanie określić, czy pacjent choruje na nowotwór złośliwy, czy łagodny? Jako przykładową próbę wzięto zbiór pomiarów guzów piersi Diagnostic Wisconsin Breast Cancer Database. W Rozdziale 1 omówiona została idea tej metody klasyfikacji danych, wprowadzono również jej podstawowe pojęcia. Rozdział 2 skupia się na programowaniu nieliniowym oraz teorii dualności, w tym warunkach Karusha-Kuhna-Tuckera. Sprawdzono również, jak liniowy model SVM poradzi sobie z postawieniem wstępnej diagnozy pacjentom z Wisconsin. W ostatnim rozdziale wspomniano o modyfikacji metody wektorów nośnych, pozwalającej na pracę z danymi nierozdzielnymi liniowo. Wszystkie obliczenia numeryczne zostały wykonane w języku programowania Python, a kod źródłowy opisujący trening klasyfikatora zamieszczono w Dodatku A.
dc.affiliationpl
Wydział Matematyki i Informatyki
dc.areapl
obszar nauk ścisłych
dc.contributor.advisorpl
Ulas, Maciej - 147984
dc.contributor.authorpl
Postaremczak, Angelika
dc.contributor.departmentbycodepl
UJK/WMI2
dc.contributor.reviewerpl
Ulas, Maciej - 147984
dc.contributor.reviewerpl
Jabłoński, Zenon - 128391
dc.date.accessioned
2020-07-27T16:33:43Z
dc.date.available
2020-07-27T16:33:43Z
dc.date.submittedpl
2018-07-05
dc.fieldofstudypl
matematyka stosowana
dc.identifier.apdpl
diploma-123970-210586
dc.identifier.projectpl
APD / O
dc.identifier.uri
https://ruj.uj.edu.pl/xmlui/handle/item/228278
dc.languagepl
pol
dc.subject.enpl
machine learning, support vector machine, optimalization, nonlinear programming
dc.subject.plpl
machine learning, uczenie maszynowe, support vector machine, programowanie nieliniowe, optymalizacja
dc.titlepl
Binarna klasyfikacja danych z wykorzystaniem metody wektorów nośnych
dc.title.alternativepl
Binary data classification using Support Vector Machine
dc.typepl
licenciate
dspace.entity.type
Publication
Affiliations

* The migration of download and view statistics prior to the date of April 8, 2024 is in progress.

Views
89
Views per month
Views per city
Warsaw
14
Krakow
9
Stalowa Wola
6
Lodz
5
Olesnica
4
Opole
4
Poznan
4
Wroclaw
3
Dublin
2
Gdansk
2

No access

No Thumbnail Available