Отрывок: Для этого же набора данных с использование функции активации ELU результаты зависимости функции погрешности от алгоритма представлены в таблице 6. Рисунок 16 – График зависимостей функции погрешности от количества эпох для таблицы 3 43 Рисунок 17 – График зависимостей функции погрешности от количества эпох для таблицы 4 Таблица 5 – Зависимость функции погрешности от количества эпох с разными алгоритмами оптимизации, обученной на выбо...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Заичкин А. А. | ru |
dc.contributor.author | Солдатова О. П. | ru |
dc.contributor.author | Соловьева Я. В. | ru |
dc.contributor.author | Министерство науки и высшего образования Российской Федерации | ru |
dc.contributor.author | Самарский национальный исследовательский университет им. С. П. Королева (Самарский университет) | ru |
dc.contributor.author | Институт информатики | ru |
dc.contributor.author | математики и электроники | ru |
dc.coverage.spatial | функция погрешности | ru |
dc.coverage.spatial | функция активации | ru |
dc.coverage.spatial | алгоритм обратного распространения ошибки | ru |
dc.coverage.spatial | Python | ru |
dc.coverage.spatial | Keras | ru |
dc.coverage.spatial | рекурентные нейронные сети | ru |
dc.coverage.spatial | нейронные сети | ru |
dc.coverage.spatial | генерация текстов | ru |
dc.creator | Заичкин А. А. | ru |
dc.date.issued | 2020 | ru |
dc.identifier | RU\НТБ СГАУ\ВКР20200908132648 | ru |
dc.identifier.citation | Заичкин, А. А. Решение задачи генерации текстов при помощи нейронных сетей : вып. квалификац. работа по направлению подгот. 09.03.01 "Информатика и вычислительная техника" (уровень бакалавриата) / А. А. Заичкин ; рук. работы О. П. Солдатова ; нормоконтролер Я. В. Соловьева ; М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т информатик. - Самара, 2020. - on-line | ru |
dc.description.abstract | Целью данной работы является разработка и реализация программного обеспечения, способное генерировать текст на основе параметров, заданных пользователем. Создана информационно-логическая модель автоматизированной системы в нотации UML с помощью CASE-средства Draw.io. Для обучения нейронной сети использовались художественные произведения «Sherlock Holmes» и «Мастер и Маргарита», а также текстовый набор данных «Amazon Review», полученный путѐм экспорта с сайта https://www.kaggle.com. Система реализована на языке Python в текстовом редакторе кода Jupyter Notebook. | ru |
dc.format.extent | Электрон. дан. (1 файл : 1,6 Мб) | ru |
dc.title | Решение задачи генерации текстов при помощи нейронных сетей | ru |
dc.type | Text | ru |
dc.subject.rugasnti | 50.01 | ru |
dc.subject.udc | 004.032.26 | ru |
dc.textpart | Для этого же набора данных с использование функции активации ELU результаты зависимости функции погрешности от алгоритма представлены в таблице 6. Рисунок 16 – График зависимостей функции погрешности от количества эпох для таблицы 3 43 Рисунок 17 – График зависимостей функции погрешности от количества эпох для таблицы 4 Таблица 5 – Зависимость функции погрешности от количества эпох с разными алгоритмами оптимизации, обученной на выбо... | - |
Располагается в коллекциях: | Выпускные квалификационные работы |
Файлы этого ресурса:
Файл | Размер | Формат | |
---|---|---|---|
Заичкин_Артём_Александрович_Решение_задачи_генерации_текстов.pdf | 1.59 MB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.