| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva

Naslov:Ocenjevanje zaupanja v globokih nevronskih mrežah : magistrsko delo
Avtorji:Hari, Daniel (Avtor)
Rojc, Matej (Mentor) Več o mentorju... Novo okno
Zimšek, Danilo (Komentor)
Datoteke:.pdf MAG_Hari_Daniel_2020.pdf (2,94 MB)
MD5: 4C832A4DD43B86D7DEAA6E4885914FFD
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga (mb22)
Tipologija:2.09 - Magistrsko delo
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:V magistrskem delu so predstavljeni pristopi ocenjevanja zaupanja v globokih nevronskih mrežah na primeru razpoznave števk. Ti pristopi nam omogočajo izboljšavo kakovosti razpoznave števk, s čimer se približamo natančnosti človeka, ki za bazo MNIST znaša 97,5–98 %. V delu se bomo osredotočili predvsem na dva pristopa, in sicer z Bayesovim učenjem in vzorčenjem z izpustnimi sloji. Bayesovo učenje je matematično bolj zahteven postopek, saj deluje tako, da vsak vhodni podatek v nevronsko mrežo obravnavamo kot porazdelitev verjetnosti in ne kot deterministično določeno vrednost. Pri tehniki vzorčenja z izpustnimi sloji je za vsakim skritim slojem mreže dodan stohastični izpustni sloj, tako da lahko na izhod iz modela gledamo kot na naključni vzorec, ki je ustvarjen iz aposteriorne porazdelitve. Takšen postopek je sicer računsko manj zahteven, daje pa podoben rezultat. Magistrsko delo je sestavljeno iz teoretičnega in eksperimentalnega dela. V teoretičnem delu so predstavljeni pojmi, kot so umetna inteligenca in sestava nevronske mreže ter podroben opis Bayesovega učenja in vzorčenja z izpustnimi sloji. V eksperimentalnem delu so prikazani pristopi razpoznave števk z Bayesovim učenjem in pristopi, ki uporabljajo tehnike vzorčenja z izpustnimi sloji. Podana je tudi primerjava postopkov.
Ključne besede:umetna inteligenca, Bayesov pristop, izpustni sloji, strojno učenje.
Leto izida:2020
Kraj izvedbe:Maribor
Založnik:[D. Hari]
Št. strani:XIII, 85 f.
Izvor:Maribor
UDK:004.85(043.2)
COBISS_ID:49199107 Novo okno
NUK URN:URN:SI:UM:DK:RFJRVIRI
Število ogledov:193
Število prenosov:54
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
Področja:KTFMB - FERI
:
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:AddThis
AddThis uporablja piškotke, za katere potrebujemo vaše privoljenje.
Uredi privoljenje...

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:17.09.2020

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Confidence estimation in deep neural networks
Opis:The master's thesis presents approaches to assessing trust in deep neural networks in the case of digit recognition. These approaches allow us to improve the quality of digit recognition, thus approaching the accuracy of a human which ranges from 97.5% to 98% for the MNIST base. In the paper, we will focus mainly on two approaches, namely Bayesian learning and discharge layer sampling. Bayesian learning is a more mathematically demanding procedure because it works by treating each input data into a neural network as a probability distribution and not as a deterministically determined value. In the discharge layer sampling technique, a stochastic discharge layer is added behind each hidden layer of the grid. Thus, the output from the model can be viewed as a random sample created from the a posteriori distribution. Such a procedure is less computationally demanding but gives a similar result. The master's thesis consists of theoretical and experimental work. The theoretical part presents concepts, such as artificial intelligence and neural network composition, as well as a detailed description of Bayesian learning and discharge layer sampling. The experimental part presents digit recognition approaches with Bayesian learning and approaches that use discharge layer sampling techniques. A comparison of procedures is also given.
Ključne besede:artificial intelligence, Bayesian method, dropout, machine learning.


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici