ЭБС Уфимского университета науки и технологий
фонд Заки Валиди 32, Карла Маркса 3/1 и Достоевского 131

     
?

Детальная информация
Карточка Таблица RUSMARC

Якупов, Р.Н. Применение нейронных сетей в прикладных задачах: выпускная квалификационная работа по специальности Прикладная математика и информатика [Электронный ресурс] / Р.Н. Якупов; Башкирский государственный университет, Сибайский филиал; канд. физ.-мат., наук, доцент Ф.З. Хисаметдинов. — Сибай, 2020. — 51 с.: ил. — <URL:https://elib.bashedu.ru/dl/diplom/YakupovRN_01.03.02_PMII_bak_2020.pdf>.

Дата создания записи: 15.12.2020

Тематика: Прикладная математика и информатика; бакалавриат; ВКР; сеть; информации; аппарат

УДК: 004

ББК: 32.81

Коллекции: Квалификационные работы бакалавров и специалистов; Общая коллекция

Разрешенные действия: –

Действие 'Прочитать' будет доступно, если вы выполните вход в систему и будете работать на компьютерах в читальных залах Библиотеки

Группа: Анонимные пользователи

Сеть: Интернет

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть Библиотеки Аутентифицированные пользователи Прочитать
Локальная сеть Библиотеки Все
Интернет Аутентифицированные пользователи Прочитать
-> Интернет Все

Оглавление

  • ВВЕДЕНИЕ
    • Цель: с помощью набора данных из 60 000 изображений рукописных цифр (представленных в виде изображений 28х28 пикселей, каждый из которых является градацией серого от 0 до 255) натренировать систему классифицировать каждое соответствующим ярлыком (изоб...
  • Глава 1. Теоретические основы нейронных сетей.
  • 1.1 Классификация задач Data Mining.
  • 1.2. Модели Data Mining.
    • 1.3. Элементы вводы нейронных ранее сетей.
    • 1.5. Архитектуры алгоритма нейронных обратном сетей
    • 1.6. Задача также четкого sum_h разделения темой двух правило классов. Математический классов аппарат
      • 1.7. Персептрон optical Розенблатта.
        • Алгоритм далее обучения ящиком персептрона. Обучение sum_o сети model состоит tools в подстройке изучении весовых анализ коэффициентов общую каждого больше нейрона. Пусть стали имеется cambridge набор построить пар rotation= векторов (xa, class ya), a...
      • 1.8. Алгоритм nearest построения структур гиперплоскости, втором разделяющей далее классы.
    • 1.9. Что скалярный такое модули машинное величины обучение человек и почему линейную это итераций важно
  • Глава 2. Этапы разработки нейронной сети на языке Pythonies .
  • 2.1 Использование решений библиотеки способы Keras главных для sciencies тренировки dense простой подобные нейронной network сети, входами которая goddard распознает kohonen рукописные понимания цифры.
    • Цель: входы С помощью человеку набора следующие данных нейроны из 60 000 изображений изучать рукописных images цифр (представленных классов в виде являются изображений 28х28 пикселей, пусть каждый сетей из которых матрицы является глава градацией форм...
    • 2.1 Простой lecun пример сетью работы именно с нейронами слоях в Python
    • 2.2 Пример pageref сбор синапсов нейронов позиции в нейросеть
    • 2.3 Пример насколько прямого одному распространения объектами FeedForward
    • 2.4 Создание активации нейронной каждый сети shape прямое mse_loss распространение слоистые FeedForward
    • 2.5 Пример непусто тренировки правила нейронной различных сети — минимизация нейронной потерь, борисов Часть 1
    • 2.6 Пример направить подсчета более потерь цифры в тренировки штрафа нейронной точнее сети
  • 2.7 Приложение: Листинг 1. Обучение python распозновать цифры.
  • СПИСОК некоторой ИСПОЛЬЗОВАННЫХ слоем ИСТОЧНИКОВ чтение И ЛИТЕРАТУРЫ

Статистика использования

stat Количество обращений: 2
За последние 30 дней: 0
Подробная статистика