Готові списки джерел за темами / Метод глибинного навчання

Зміст

  1. Статті в журналах
  2. Дисертації

Добірка наукової літератури з теми "Метод глибинного навчання"

Автор: Grafiati
Опубліковано: 30 травня 2022
Оновлено: 31 травня 2022

Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями

Оберіть тип джерела:

Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Метод глибинного навчання".

Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.

Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.

Статті в журналах з теми "Метод глибинного навчання"

1

Білецький, Т. П., та Д. В. Федасюк. "Прогнозування дефектів у програмному забезпеченні алгоритмами глибинного навчання CNN та RNN". Scientific Bulletin of UNFU 31, № 2 (29 квітня 2021): 114–20. http://dx.doi.org/10.36930/40310219.

Повний текст джерела
Анотація:
Досліджено процес прогнозування дефектів у програмному забезпеченні (ПЗ) з використанням алгоритмів глибинного навчання. Показано, що цей процес складається з декількох основних етапів: пошук та підготовка даних, побудова абстрактного синтаксичного дерева (АСД), обхід дерева та кодування значень вершин у цілі числа, збалансування даних, побудова та навчання нейронної мережі. З'ясовано, що застосування цього процесу прогнозування дефектів у ПЗ може пришвидшити та полегшити пошук дефектів та відповідно знизити вартість їх виправлення. Встановлено, що передові алгоритми машинного навчання, які на цей момент використовуються на етапі побудови та навчання нейронної мережі, досі є недостатньо ефективними, щоб можна було застосовувати прогнозування дефектів у комерції, демонструючи нестабільну точність 40-60 %. За результатами досліджень встановлено, що застосування алгоритмів глибинного навчання дає точніші результати, ніж інші алгоритми машинного навчання. Для зниження дисперсії та підвищення середньої точності прогнозування запропоновано новий метод прогнозування дефектів у ПЗ на підставі поєднання двох останніх модифікацій алгоритмів глибинного навчання CNN та RNN за допомогою бінарного класифікатора логістична регресія. Проведено навчання нейронної мережі на наборі даних розміром 50 000 файлів вихідного коду, отриманих з 13-ти проєктів мовою Java. За результатами досліджень виявлено, що метод CNN+RNN в середньому дає на 10-9 % вищу точність, ніж RNN та на 2 % вищу точність, ніж CNN, що доводить доцільність використання поєднання алгоритмів глибинного навчання у задачі прогнозування дефектів. Проаналізовано точність методу CNN+RNN по кожному з ПЗ проектів з набору даних, унаслідок чого виявлено, що для 11-ти з 13-ти проєктів поєднання CNN+RNN дає не меншу точність, ніж окремо взяті CNN та RNN.
Стилі APA, Harvard, Vancouver, ISO та ін.
2

Москаленко, В’ячеслав Васильович, Микола Олександрович Зарецький, Альона Сергіївна Москаленко, Артем Геннадійович Коробов та Ярослав Юрійович Ковальський. "Багатоетапний метод глибинного навчання з попереднім самонавчанням для класифікаційного аналізу дефектів стічних труб". RADIOELECTRONIC AND COMPUTER SYSTEMS, № 4 (29 листопада 2021): 71–81. http://dx.doi.org/10.32620/reks.2021.4.06.

Повний текст джерела
Анотація:
A machine learningsemi-supervised method was developed for the classification analysis of defects on the surface of the sewer pipe based on CCTV video inspection images. The aim of the research is the process of defect detection on the surface of sewage pipes. The subject of the research is a machine learning method for the classification analysis of sewage pipe defects on video inspection images under conditions of a limited and unbalanced set of labeled training data. A five-stage algorithm for classifier training is proposed. In the first stage, contrast training occurs using the instance-prototype contrast loss function, where the normalized Euclidean distance is used to measure the similarity of the encoded samples. The second step considers two variants of regularized loss functions – a triplet NCA function and a contrast-center loss function. The regularizing component in the second stage of training is used to penalize the rounding error of the output feature vector to a discrete form and ensures that the principle of information bottlenecking is implemented. The next step is to calculate the binary code of each class to implement error-correcting codes, but considering the structure of the classes and the relationships between their features. The resulting prototype vector of each class is used as a label of image for training using the cross-entropy loss function. The last stage of training conducts an optimization of the parameters of the decision rules using the information criterion to consider the variance of the class distribution in Hamming binary space. A micro-averaged metric F1, which is calculated on test data, is used to compare learning outcomes at different stages and within different approaches. The results obtained on the Sewer-ML open dataset confirm the suitability of the training method for practical use, with an F1 metric value of 0.977. The proposed method provides a 9 % increase in the value of the micro-averaged F1 metric compared to the results obtained using the traditional method.
Стилі APA, Harvard, Vancouver, ISO та ін.
3

Данилюк, І. "Актуальні проблеми методу глибинного навчання в лінгвоперсонології". Лінгвістичні студії, Вип. 35 (2018): 155–58.

Знайти повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
4

Danyliuk, I. "Актуальні проблеми методу глибинного навчання в лінгвоперсонології." Лінгвістичні студії, № 35 (2018): 155–58. http://dx.doi.org/10.31558/1815-3070.2018.35.24.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
5

Данилюк, І. "Актуальні проблеми методу глибинного навчання в лінгвоперсонології". Лінгвістичні студії, Вип. 35 (2018): 155–58.

Знайти повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
6

ПОЖАРИЦЬКА, Олена Олександрівна, та Кирило Володимирович ТРОЇЦЬКИЙ. "ВИКОРИСТАННЯ ЦИФРОВИХ ТЕХНОЛОГІЙ ДЛЯ ВИПРАВЛЕННЯ ГРАМАТИЧНИХ ПОМИЛОК: СИНТАКСИЧНІ N-ГРАМИ ТА МЕТОДИ ГЛИБИННОГО НАВЧАННЯ". Мова, № 35 (29 липня 2021): 237–41. http://dx.doi.org/10.18524/2307-4558.2021.35.237789.

Повний текст джерела
Анотація:
Об’єкт статті — автоматизоване виправлення граматичних помилок як галузь лінгвістики. Предмет статті — різноманітність методів та технологій, які використовуються у виправленні граматичних помилок, а також можливості їх використання та оцінка. У статті розглянуто найбільш продуктивні методи, що застосовуються у галузі виявлення та виправлення граматичних помилок в комп’ютерній лінгвістиці. Мета статті полягає у маніфестації ефективності застосування комп’ютерних програм задля виявлення граматичних помилок в англомовному тексті. Дослідницькі методи, використані у статті: аналіз данних, опис абстрактних комп’ютерних моделей та спостереження над їх продуктивністю. У статті розглянуто комп’ютерну модель для виявлення та визначення граматичних помилок, засновану на синтаксичних n-грамах, дано її визначення, описано шляхи її реалізації та етапи попередньої обробки даних, необхідні для роботи моделі. Встановлено, що конкретними типами помилок, які залучена комп’ютерна модель може виявити, є помилки підмето-присудкового узгодження, помилки у виборі прийменника, числа іменників, а також деякі типи помилок, пов’язані з використанням артиклю. Також у статті проаналізовано іншу модель, засновану на архітектурі трансформера — GECToR (Grammatical Error Correction: Tag, Not Rewrite). Ця модель глибинного навчання спрямована на виявлення та виправлення набагато складніших помилок, у тому числі тих, що пов’язані з екстралінгвістичними реаліями. Крім того, вона є доволі корисною, оскільки, на відміну від інших моделей, які просто коригують неправильні слова без пояснень, GECToR призначає теги, які можна додатково інтерпретувати для навчальних цілей. У процесі аналізу зроблено висновок про переваги та недоліки розглянутих моделей та методів, що були виявлені після їх практичної реалізації. Під час оцінки продуктивності вищезазначених моделей на основі спільного завдання BEA 2019 були отримані наступні результати: модель, заснована на синтаксичних n-грамах, отримала показник F0,5 7,6 %, а оцінка F0,5 моделі GECToR визначила її ефективність як 66,7 %. Отримані дані свідчать про майже дев’ятикратну перевагу ефективності методів глибинного навчання (типу GECToR) порівняно з методами, заснованими на правилах (типу методу синтаксичних n-грамів).
Стилі APA, Harvard, Vancouver, ISO та ін.
7

Stetsenko, Inna V. "Compression Methods of Deep Learning Models Based on Student-Teacher Method." Upravlâûŝie sistemy i mašiny, no. 2 (280) (June 2019): 25–31. http://dx.doi.org/10.15407/usim.2019.02.025.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
8

Модло, Євгеній Олександрович, Ілля Олександрович Теплицький та Сергій Олексійович Семеріков. "Електронні таблиці як засіб навчання нейромережевого моделювання технічних об’єктів бакалаврів електромеханіки". Theory and methods of learning mathematics, physics, informatics 13, № 3 (25 грудня 2015): 182–96. http://dx.doi.org/10.55056/tmn.v13i3.1000.

Повний текст джерела
Анотація:
Метою даного дослідження є розробка елементів методики використання мобільних електронних таблиць як засобу навчання нейромережевого моделювання технічних об’єктів бакалаврів електромеханіки. Задачі дослідження: Обґрунтування вибору нейронних мереж як засобу моделювання технічних об’єктів із прихованою або нечіткою структурою. Реалізація алгоритму глибинного машинного навчання у середовищі мобільних електронних таблиць Google Sheets. Об’єкт дослідження – процес професійної підготовки бакалаврів електромеханіки в технічних ЗВО, предмет – формування компетентності бакалавра електромеханіки в моделюванні технічних об’єктів. Результати: 1) розроблено та реалізовано у середовищі мобільних електронних таблиць модель роботи інтелектуального датчику на основі нейронної мережі з двома прихованими шарами; 2) наведено приклади використання доповнення Solver для визначення вагових коефіцієнтів нейронної мережі. Основні висновки: у процесі розробки елементів методики використання мобільних електронних таблиць як засобу навчання нейромережевого моделювання технічних об’єктів бакалаврів електромеханіки показано можливість та доцільність формування критичного мислення студентів.
Стилі APA, Harvard, Vancouver, ISO та ін.
9

Яременко, Наталя, та Наталія Коломієць. "ЕМПАУЕРМЕНТ-ПЕДАГОГІКА ЯК МОДЕЛЬ ГАРМОНІЗАЦІЇ ПСИХОКУЛЬТ УРНИХ СКЛАДОВИХ АРХЕТИПУ “PUER” КРІЗЬ ПРИЗМУ СТРАТЕГІЇ СТАЛОГО РОЗВИТКУ". Public management 18, № 3 (29 травня 2019): 501–9. http://dx.doi.org/10.32689/2617-2224-2019-18-3-501-509.

Повний текст джерела
Анотація:
З’ясовано особливості практичного втілення емпауермент-пе- дагогіки з метою гармонійного узгодження психокультурних складових архетипу “puer” крізь призму стратегії сталого розвитку, ухваленої у вересні 2015 р. рішенням Генеральної Асамблеї ООН. Серед головних положень за- значено, що для реалізації потенціалу майбутнього вирішальним є створен- ня нової освітньої парадигми, яка сприятиме формуванню відповідальної особистості, здатної зробити світ безпечним і комфортним. Встановлено, що зміна парадигми суспільної свідомості зумовила необхідність трансформа- ції системи освіти, оскільки потенціал прийдешнього формується у проце- сі становлення особистості дитини. Безперечно, що освіта сталого розвитку потребує оновлення існуючих педагогічних моделей, наповнення їх новим контентом, спрямованим на формування в учнів системи поглядів, звичок, стилю життя, які відповідають сучасним тенденціям. Виявлено, що на ни- нішньому етапі важливим є звернення до педагогіки емпауерменту, яка орі- єнтована на спрямування молодого покоління до дій, досягнення особис- тісних прогресивних змін. У розвідці спостережено, що змістом подібного підходу є наснаження, набуття особистістю впевненості у власних силах, розкриття глибинного потенціалу, мобілізація внутрішніх ресурсів за умов довірчих партнерських стосунків у будь-якому діалозі. Оскільки ж саме архе- тип “Божественна дитина” є своєрідною матрицею потенціалу колективного безсвідомого досвіду, саме його адаптація в сучасному житєвому потоці має стати базисом для реалізації соціокультурних вимог буття. Авторами акцен- товано, що потребам сьогодення найбільше відповідає подібний підхід, як такий, що сприяє розкриттю творчого потенціалу молодого покоління, по- кращенню результативності навчання, набуття навичок до компетенцій, які потребує сучасний динамічний світ.
Стилі APA, Harvard, Vancouver, ISO та ін.

Дисертації з теми "Метод глибинного навчання"

1

Черемський, І. А., та Олена Петрівна Черних. "Застосування методів машинного навчання для вирішення задач обробки природних мов". Thesis, Національний технічний університет "Харківський політехнічний інститут", 2018. http://repository.kpi.kharkov.ua/handle/KhPI-Press/45542.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
Ми пропонуємо знижки на всі преміум-плани для авторів, чиї праці увійшли до тематичних добірок літератури. Зв'яжіться з нами, щоб отримати унікальний промокод!

До бібліографії