Βαθιά νευρωνικά δίκτυα με μηχανές διανυσμάτων υποστήριξης στο επίπεδο εξόδου
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.
Le tri à trois modèles
les 1 000 travaux triés →Les trois modèles l'ont jugé hors champ.
Dissertation benchmarking neural networks with SVM output layers; machine learning.
It evaluates neural-network classifiers on benchmark datasets, not research methodology as an object.
Machine-learning dissertation comparing neural nets and SVMs on image benchmarks; method use, not research about research.
Résumé
Η παρούσα εργασία ασχολείται με την μελέτη της επίδοσης των νευρωνικών δικτύων με τη χρήση μηχανών διανυσμάτων υποστήριξης στο επίπεδο εξόδου. Η χρήση των μηχανών διανυσμάτων υποστήριξης στο επίπεδο εξόδου, επιτυγχάνονται καλύτερα ποσοστά ακρίβειας αφού γίνεται προσπάθεια εύρεσης ενός βέλτιστου ορίου απόφασης μεταξύ των δεδομένων. Η υλοποίηση των πειραμάτων πραγματοποιήθηκε σε νευρωνικά δίκτυα Multilayer Perceptron και σε συνελικτικά νευρωνικά δίκτυα. Χρησιμοποιήθηκαν τρία σύνολα δεδομένων όπως: MNIST, CIFAR-10 και CIFAR-100 και αποτελούνταν από πέντε ενδιάμεσα επίπεδα με διαφορετικό αριθμό κόμβων. Τα καλύτερα ποσοστά ακρίβειας που επιτυγχάνονται για το σύνολο δεδομένων MNIST με τη χρήση δύο επιπέδων, είναι για το MLP 0.9838 και με την χρήση του SVM ταξινομητή 0.9848. Για το σύνολο δεδομένων CIFAR-10 το καλύτερο ποσοστό ακρίβειας με τη χρήση τριών επιπέδων για το νευρωνικό δίκτυο MLP 0.454 και με την χρήση του SVM ταξινομητή 0.49. \n \nΑκόμα, για το σύνολο δεδομένων CIFAR-100 το καλύτερο ποσοστό ακρίβειας που επιτυγχάνεται είναι με τη χρήση δύο ενδιάμεσων επιπέδων για το MLP 0.1857 και με την χρήση του SVM ταξινομητή 0.2201. Τέλος, εκτελέστηκαν πειράματα και σε αρχιτεκτονικές συνελικτικών δικτύων επιτυγχάνοντας ποσοστά σφάλματος για τον SVM ταξινομητή 2.39% και για το συνελικτικό δίκτυο 2.46%.
Conservé avec la notice de tri, où il sert de preuve aux étiquettes ci-dessus.
La notice
- Revue
- Dione (University of Piraeus)
- Thématique
- Computational Physics and Python Applications
- Domaine
- Computer Science
- Établissements canadiens
- —
- Organismes subventionnaires
- Canadian Institute for Advanced Research
- Mots-clés
- MNIST databaseSupport vector machinePattern recognition (psychology)Artificial intelligenceConvolutional neural networkComputer scienceMultilayer perceptronArtificial neural networkPerceptronDecision boundaryMachine learning
- Résumé présent dans OpenAlex
- oui