Применение искусственных нейронных сетей в задачах классификации

Введение 3
1 Обзор литературы 4
2 Кластеризация 7
2.1 Основные понятия 7
2.2 Вектор характеристик 8
2.3 Меры расстояний 8
2.4 Классификация алгоритмов и объединение кластеров 10
2.5 Алгоритмы кластеризации 12
3 Математические основы 18
3.1 Обзор применения МГК в современных исследованиях 18
3.1.1 Постановка задачи для МГК 19
3.1.2 Описание алгоритма метода главных компонент 21
3.2 Нейрон 24
3.2.1 Искусственный нейрон 25
3.2.2 Сигмоидальный нейрон 27
3.2.3 Нейронные сети 29
3.2.4 Постановка задачи для НС 32
3.2.5 Обучение с градиентным спуском 34
3.2.6 Стохастический градиентный спуск 37
3.2.7 План решения задачи классификации при помощи НС 40
3.3 Введение в сверточные нейронные сети 41
3.3.1 Локальные рецептивные поля 42
3.3.2 Общие веса и смещения 45
3.3.3 Пулинговые слои 47
3.3.4 Сведение информации о СНС 48
4 Программная реализация 51
4.1 Пример данных с рукописными цифрами 51
4.2 Результаты выполнения программы 60
Заключение 62
Список использованных источников 63

Весь текст будет доступен после покупки

Кластерный анализ используется в различных областях. Это полезно, когда необходимо классифицировать большое количество информации, например, отсортировать большие объемы информации, например, обзор многих опубликованных исследований, проведенных с использованием кластерного анализа.
Первоначально кластеризация наиболее широко использовалась в таких науках, как биология, антропология и психология. Долгое время кластеризация редко использовалась для решения экономических задач из-за характера экономических данных и явлений. Так, в медицине используется кластеризация болезней, лечение болезней или их симптомов, а также классификация больных, лекарств и т.д. В археологии сложилась классификация каменной кладки и древностей. Примеры задач кластеризации в менеджменте включают разделение персонала на разные группы, классификацию потребителей и поставщиков и выявление сходных производственных ситуаций, в которых происходят браки. Задача кластеризации в социологии состоит в том, чтобы разделить респондентов на однородные группы. Кластерный анализ очень широко используется в маркетинговых исследованиях – как теоретических исследованиях, так и практических маркетологах, решающих задачи группировки различных объектов. При этом решаются вопросы по группам клиентов, продуктами т.д.

Весь текст будет доступен после покупки

1) "Deep Learning" автора Ian Goodfellow, Yoshua Bengio и Aaron Courville – это книга, которая покрывает основы глубокого обучения и нейронных сетей. Она объясняет, как работают нейронные сети, как их обучать и как они могут быть использованы для решения различных задач.
2) "Neural Networks and Deep Learning: A Textbook" автора Charu Aggarwal – это учебник, который покрывает основы нейронных сетей и глубокого обучения. Книга содержит подробные объяснения математических концепций, используемых в нейронных сетях, а также примеры кода на Python.
3) "Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems" автора Aurelien Geron – это книга, которая объясняет, как использовать библиотеки машинного обучения, такие как Scikit-Learn и TensorFlow, для создания нейронных сетей. Книга содержит множество практических примеров и проектов, которые помогут читателям лучше понять, как работают нейронные сети.
4) "Neural Networks for Pattern Recognition" автора Christopher M. Bishop – это книга, которая описывает различные типы нейронных сетей и их применение для распознавания образов. Она содержит математические объяснения и примеры кода на MATLAB.
5) "The Hundred-Page Machine Learning Book" автора Andriy Burkov – это книга, которая объясняет основы машинного обучения и нейронных сетей. Книга содержит множество примеров и диаграмм, которые помогут читателям лучше понять, как работают нейронные сети и как их можно использовать для решения различных задач.
6) "Глубокое обучение" автора Гудфеллоу Я., Бенджио И., Курвилль А. – эта книга считается «Библией», одной из лучших книг по глубинному обучению. Несмотря на то, что она написана техническим языком, её сможет осилить и технологический новичок. Внутри рассказывается о математических и концептуальных основах, линейной алгебре, теории вероятностей и теории информации, численных вычислениях и машинном обучении. Она описывает методы глубокого обучения, используемые практиками в отрасли. Сюда входят сети с прямой связью, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей и практическая методология. Кроме того, вы узнаете об обработке естественного языка, распознавании речи, компьютерном зрении, системе онлайн-рекомендаций, биоинформатике и видеоиграх.
7) "Глубокое обучение на Python" автора Франсуа Шолле – это учебник по моделям глубокого обучения с использованием языка Python и мощной библиотеки Keras. Написанная создателем Keras и исследователем Google AI Франсуа Шолле, эта книга укрепит понимание технологии через объяснения и практические примеры. Вы исследуете сложные концепции и попрактикуетесь с приложениями в области компьютерного зрения, обработки естественного языка и генеративных моделей. К тому времени, как вы закончите, у вас будут знания и практические навыки для применения глубокого обучения в ваших собственных проектах.

Весь текст будет доступен после покупки

1. Neural Networks and Learning Machines, Simon Haykin, 2011.
2. Hacker's guide to Neural Networks, Andrej Karpathy, 2014.
3. Neural Networks and Deep Learning, Michael Nielsen, 2019.
4. A Brief Introduction to Neural Networks, David Kriesel, 2007.
5. Make your own neural network, Tariq Rashid, 2016.
6. Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, 2016.

Весь текст будет доступен после покупки