Abstract

W pracy doktorskiej podjęto problem realizacji algorytmów głębokiego uczenia w warunkach deficytu danych uczących. Głównym celem było opracowanie podejścia optymalizującego strukturę sieci neuronowej oraz zastosowanie uczeniu dwuetapowym, w celu uzyskania mniejszych struktur, zachowując przy tym dokładności. Proponowane rozwiązania poddano testom na zadaniu klasyfikacji znamion skórnych na znamiona złośliwe i łagodne. W pierwszym etapie badań dokonano analizy wpływu elementów architektury oraz metod uczenia na wyniki. Następnie, w oparciu o uzyskane wyniki, zaproponowano system automatycznego doboru struktury sieci neuronowej oparty o algorytmy ewolucyjne i modyfikacje sieci zachowujące funkcję. Zastosowanie algorytmu umożliwiło redukcję liczby parametrów o 98%, w porównaniu do popularnych sieci VGG. Kolejnym etapem badań była analiza metodami wstępnego uczenia. Przeprowadzono analizę zastosowania wstępnego uczenia w sposób samonadzorowany oraz w sposób nadzorowany. W badaniach wykazano, że połączenie tych metod przynosi lepsze wyniki niż zastosowanie tylko wstępnego uczenia w sposób nadzorowany. Ostatnim etapem badań była integracja metod doboru struktury z metodami wstępnego uczenia. Przeprowadzone badania potwierdziły, że odpowiedni dobór struktury i metody uczenia mają istotny wpływ na dokładność i efektywność modeli.

Author (1)