Показати скорочену інформацію

dc.contributor.authorПівошенко, В. В.uk
dc.contributor.authorЗдітовецький, Ю. С.uk
dc.contributor.authorКривогубченко, С. Г.uk
dc.contributor.authorІванов, Ю. Ю.uk
dc.date.accessioned2020-04-24T16:04:59Z
dc.date.available2020-04-24T16:04:59Z
dc.date.issued2020
dc.identifier.citationОптимізація глибокої нейронної мережі на основі використання циклічно-косинусоїдної зміни коефіцієнта швидкості навчання та ансамблювання моделей [Електронний ресурс] / В. В. Півошенко, Ю. С. Здітовецький, С. Г. Кривогубченко, Ю. Ю. Іванов // Матеріали XLIX науково-технічної конференції підрозділів ВНТУ, Вінниця, 27-28 квітня 2020 р. – Електрон. текст. дані. – 2020. – Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2020/paper/view/8719.uk
dc.identifier.urihttp://ir.lib.vntu.edu.ua//handle/123456789/29807
dc.description.abstractУ даній роботі проаналізовано особливості використання циклічно-косинусоїдної зміни коефіцієнта швидкості навчання для створення ансамблю комбінаційних моделей автокодера та згорткової нейронної мережі.uk
dc.description.abstractIn this work have been analyzed the features of using the cosine annealing learning rate for creating an ensemble for combination model of autocoder and convolutional neural network.en
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofМатеріали XLIX науково-технічної конференції підрозділів ВНТУ, Вінниця, 27-28 квітня 2020 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2020/paper/view/8719
dc.subjectмашинне навчанняuk
dc.subjectкоефіцієнт швидкості навчанняuk
dc.subjectансамбль моделейuk
dc.subjectавтокодерuk
dc.subjectзгорткова нейронна мережаuk
dc.subjectmachine learningen
dc.subjectlearning rateen
dc.subjectensemble of modelsen
dc.subjectautoencoderen
dc.subjectconvolutional neural networken
dc.titleОптимізація глибокої нейронної мережі на основі використання циклічно-косинусоїдної зміни коефіцієнта швидкості навчання та ансамблювання моделейuk
dc.typeThesis
dc.identifier.udc004.032.26 + 004.942
dc.relation.referencesLow Computational Complexity Algorithm for Recognition Highly Corrupted QR Codes Based on Hamming-Lippmann Neural Network / R.N. Kvyetnyy, Yu.Yu. Ivanov, V.V. Pivoshenko and others // Przegląd Elektrotechniczny. ‒ Poland, 2019. ‒ P. 162-166.en
dc.relation.referencesBottou L. Large-Scale Machine Learning with Stochastic Gradient Descent / L. Bottou // Proceedings of COMPSTAT 2010. – 2010. – P. 177-186.en
dc.relation.referencesRozložník M. Solution Approaches for Saddle-Point Problems / M. Rozložník // Nečas Center Series Saddle-Point Problems and Their Iterative Solution. – 2018. – P. 33-39.en
dc.relation.referencesKawaguchi K. Effect of Depth and Width on Local Minima in Deep Learning / K. Kawaguchi, J. Huang, L.P. Kaelbling // Neural Computation. – 2019. – P. 1462-1498.en
dc.relation.referencesCaruana R. Getting the Most Out of Ensemble Selection / R. Caruana, A. Munson, A. Niculescu-Mizil // Sixth International Conference on Data Mining (ICDM'06). – 2006. – 12 p.en
dc.relation.referencesZagoruyko S. Wide Residual Networks / S. Zagoruyko, N. Komodakis // Procedings of the British Machine Vision Conference 2016. – 2016. – 15 p.en
dc.relation.referencesLoshchilov I. Comparison-Based Optimizers Need Comparison-Based Surrogates / I. Loshchilov, M. Schoenauer, M. Sebag // Parallel Problem Solving from Nature, PPSN XI. – 2010. – P. 364-373.en


Файли в цьому документі

Thumbnail

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію