ВВЕДЕНИЕ 3
Актуальность дипломной работы 3
Цель и задачи дипломного проекта. 4
Глава 1. Теоретические основы сверточных нейронных сетей 5
1.1. Изучение необходимых методов и элементов нейронных сетей 6
1.1.1. Оценочная функция 6
1.1.2. Функция потерь 8
1.1.3. Оптимизация: стохастический градиентный спуск 10
1.2. Разбор особенностей построения CNN и их преимуществ 13
1.2.1. Сверточный слой 15
1.2.2. Слой объединения 23
1.2.3. Техника исключения 25
1.2.4. Типовые шаблоны слоёв ConvNet 26
1.2.5. Принципы установки параметров 27
1.2.6. Метод адаптивного обучения по параметру скорость обучения 27 Глава
2. Подготовка инструментов для работы 29
2.1. Используемые программные средства и технологи 29
2.2. Подготовка программной среды разработки 31
Глава 3. Создание и обучение сверточной нейронной сети 32
Глава 4. Описание работы созданного на Django клиент-серверного приложения 38
ЗАКЛЮЧЕНИЕ 44
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ 46
ПРИЛОЖЕНИЯ Код создания и обучения сверточной сети 47
Актуальность дипломной работы.
Прогнозирование, принятие решений, распознавание образов, оптимизация и анализ данных являются одними из основных приложений нейронных сетей. Большинство крупных ИТ-компаний используют их, чтобы предоставлять бо- лее удобные и полезные услуги. Они используются в некоторых навигационных системах, алгоритмах промышленных роботов или беспилотных летатель- ных аппаратов. Алгоритмы, основанные на нейронных сетях, также защищают информационные системы от вредоносных атак и помогают выявлять незакон- ный интернет-контент. Например, Facebook использует нейронные сети для ав- томатического проставления тегов, Amazon для рекомендаций по продуктам, Pinterest для персонализации домашних страниц пользователей и Instagram для своей поисковой инфраструктуры.
Цель и задачи дипломного проекта.
Целью данной работы является разработать интеллектуальную систему на базе сверточной нейронной сети, которая будет способна классифицировать загружаемые в графическом виде изображения на 10 классов и озвучивать результат. Разработать клиент-серверное приложение на языке Python с использованием фреймворка Django. В основе приложения будет лежать разработанная с использованием библиотеки Keras нейронная сеть, способная классифицировать загружаемые изображения минимум на 10 классов.
Для выполнения поставленной цели необходимо решить следующие задачи:
1. Изучение теоретических основ машинного обучения, глубинного обучения.
2. Выбор и изучение инструментов для создания классифицирующей модели.
3. Создание и обучение сверточной нейронной сети.
4. Выбор и изучение инструментов для создания клиент-серверного приложения.
5. Проектирование модели приложения, описание модулей системы и проектирование ее интерфейса.
6. Разработка и создание клиент-серверного приложения.
7. Внедрение обученной сети в работу приложения.
8. Тестирование созданного приложения.
Войти
в кабинет
в кабинет
' .
Пролистайте материалы и убедитесь в качестве
Разработка интеллектуальной системы обработки и анализа информации #9102241
Артикул: 9102241
- Предмет: Программирование
- Уникальность: 78% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2019 году
- Количество страниц: 59
- Формат файла: docx
- Последняя покупка: 14.03.2024
1 999p.
1. Хайкин, С., Нейронные сети: полный курс, 2-е изд., испр. : Пер. с англ./С. Хайкин – М. : ООО “И.Д. Вильямс”, 2006. – 1104 с.
2. James, G., An Introduction to Statistical Learning: with Applications in R (Springer Texts in Statistics)/ G. James, D. Witten, T. Hastie, R. Tibshira- ni, 2013. – 441 c.
3. Bishop, C. M. Neural networks for pattern recognition / C. M. Bishop – CLARENDON PRESS – Oxford, 1995. – 498 c.
4. Goodfellow, I., Deep Learning (Adaptive Computation and Machine Learning series)/ I. Goodfellow, Y. Bengio, A. Courville - The MIT Press (November 18, 2016). – 800 с.
5. Stanford CS class CS231n: Convolutional Neural Networks for Visual Recognition notes [Электронный ресурс] – Режим доступа: http://cs231n.github.io/ , свободный.
6. Keras Documentation [Электронный ресурс] – Режим доступа: https://keras.io/ , свободный.
7. TensorFlow Documentation [Электронный ресурс] – Режим доступа: https://www.tensorflow.org/, свободный.
2. James, G., An Introduction to Statistical Learning: with Applications in R (Springer Texts in Statistics)/ G. James, D. Witten, T. Hastie, R. Tibshira- ni, 2013. – 441 c.
3. Bishop, C. M. Neural networks for pattern recognition / C. M. Bishop – CLARENDON PRESS – Oxford, 1995. – 498 c.
4. Goodfellow, I., Deep Learning (Adaptive Computation and Machine Learning series)/ I. Goodfellow, Y. Bengio, A. Courville - The MIT Press (November 18, 2016). – 800 с.
5. Stanford CS class CS231n: Convolutional Neural Networks for Visual Recognition notes [Электронный ресурс] – Режим доступа: http://cs231n.github.io/ , свободный.
6. Keras Documentation [Электронный ресурс] – Режим доступа: https://keras.io/ , свободный.
7. TensorFlow Documentation [Электронный ресурс] – Режим доступа: https://www.tensorflow.org/, свободный.
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка интеллектуальной системы обработки и анализа информации |
| Артикул: | 9102241 |
| Дата написания: | 03.06.2019 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 78% |
| Количество страниц: | 59 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Разработка интеллектуальной системы обработки и анализа информации по предмету программирование
Пролистайте "Разработка интеллектуальной системы обработки и анализа информации" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 23.02.2025
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 78% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
Утром сдавать, а работа еще не написана?
Через 30 секунд после оплаты вы скачаете эту работу!
Сегодня уже купили 29 работ. Успей и ты забрать свою пока это не сделал кто-то другой!
ПРЕДЫДУЩАЯ РАБОТА
Разработка мобильного приложения по учету финансов с функцией Reachability
СЛЕДУЮЩАЯ РАБОТА
Разработка интернет-магазина с использованием технологий PHP, HTML5, CSS3, JavaScript