| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva

Naslov:Klasifikacija z utežem agnostičnimi nevronskimi mrežami : magistrsko delo
Avtorji:Mlakar, Marko (Avtor)
Karakatič, Sašo (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf MAG_Mlakar_Marko_2020.pdf (3,89 MB)
MD5: 034D29583016FD8F4080A5A7DC88109B
 
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 je predstavljena metoda iskanja utežem agnostičnih nevronskih mrež, ki temelji na genetskem algoritmu, imenovanem NeuroEvolution of Augmenting Topologies (NEAT). Evalviranje genomov z vzorčenjem uteži iz fiksne uniformne množice naključnih vrednosti minimizira pomembnost uteži, s čimer je poudarek le na optimizaciji topologije. To omogoča utežem agnostičnim nevronskim mrežam opravljanje različnih nalog brez predhodnega učenja utežnih vrednosti. Naša implementacija je bila prilagojena za povezovanje z odprtokodno knjižnico Scikit-learn, ki smo jo javno objavili v obliki PyPi paketa. V eksperimentalnem delu smo se osredotočili na primerjavo evolucijskih in utežem agnostičnih nevronskih mrež na primeru reševanja klasifikacijskih problemov. Rezultate smo evalvirali z uporabo statističnih metod, ki so pokazale, da utežem agnostične nevronske mreže proizvedejo več skritih nevronov kot evolucijske, vendar uspejo doseči primerljivo točnost zgolj s pravilno topologijo, brez optimizacije uteži.
Ključne besede:utežem agnostične nevronske mreže, klasifikacija, nevroevolucija, NEAT
Leto izida:2020
Kraj izvedbe:Maribor
Založnik:[M. Mlakar]
Št. strani:XI, 73 f.
Izvor:Maribor
UDK:004.8(043.2)
COBISS_ID:45029891 Novo okno
NUK URN:URN:SI:UM:DK:90QBCR3J
Število ogledov:144
Število prenosov:42
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-ND 4.0, Creative Commons Priznanje avtorstva-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nd/4.0/deed.sl
Opis:Licenca Creative Commons Brez predelav dovoljuje uporabnikom ponovno distribucijo dela, vendar ne v spremenjeni obliki. Zahtevana je navedba avtorstva.
Začetek licenciranja:29.10.2020

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Classification with weight agnostic neural networks
Opis:In our master's thesis, we reviewed a search method for weight agnostic neural networks that are based on a genetic algorithm called NeuroEvolution of Augmenting Topologies (NEAT). Evaluating genomes by sampling weights from a fixed uniform random distribution ensures the importance of weights is minimized and the main focus is on optimizing the topology. This gives weight agnostic neural networks an ability to solve different tasks without explicit weight training. Our implementation was made to be compatible with an open-source library called Scikit-learn, and we published it as a public PyPi package. In our experiments, we focused on comparing evolutionary neural networks with weight agnostic neural networks by solving different classification tasks. We evaluated the results with the use of statistical methods which showed that while weight agnostic neural networks created more hidden nodes, their topologies were able to achieve comparable accuracy without optimizing the weights.
Ključne besede:weight agnostic neural networks, classification, neuroevolution, NEAT


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