Statisztikát és információelméletet integráló mértéket alkalmazó dinamikus algoritmus mesterséges neurális hálózat tanítására - TDK dolgozat release_vpqikjvvibaefe3mox6qwaceqe

Abstract

A Mesterséges Intelligencia és az Adattudomány széles körben elterjed módszerei között<br> tartják számon a mesterséges neurális hálózatok használatát.<br> Ezen modell felépítésének fontos kulcseleme a hálózat súlyainak tanítása, beállítása algoritmikus<br> módszerekkel. Jelen TDK dolgozat egy új tanítómérték és egy új algoritmus részletes<br> elemzését t˝uzi ki célul. Ez a módszer a tanítás, mint optimalizálási problémának a megoldására<br> a Levenberg-Marquardt (LM) algoritmust használja egy fontos újítással módosítva. A hiba,<br> eltérés méréséreaz adattudományban elterjedten használt (átlagos) négyzetes hiba (MSE) helyett<br> a kutatás Silva et al. (2008) által bemutatott integrált exponenciális hiba továbbfejlesztett<br> változatát, az újonnan bevezetett abszolútértékes exponenciális hibát alkalmazza, valamint az<br> LM elgoritmust is kiegészíti új elemekkel.<br> Ez a többszörösen továbbfejlesztett algoritmus nagyszámú benchmark adathalmazon került<br> tesztelésre. A dolgozat ennek a tesztelésnek több f˝o szempontjai szerint, mint pontosság,<br> sebesség, stabilitás kiértékelését mutatja be, ezeken kívül beszámol a témához kapcsolódó<br> releváns tudományos irodalomban fellelhet˝o state-of-the-art eredményhez képest elért jobb<br> algoritmikus teljesítményr˝ol is.<br> (A szerz˝o az alapötlet korábbi változatát és más aspektusait BSc szakdolgozatában (Sz˝ucs<br> (2020)) és korábbi TDK (Sz˝ucs (2021)) dolgozatában is vizsgálta.)
In text/plain format

Archived Files and Locations