| dc.contributor.author | Півошенко, В. В. | uk |
| dc.contributor.author | Здітовецький, Ю. С. | uk |
| dc.contributor.author | Кривогубченко, С. Г. | uk |
| dc.contributor.author | Іванов, Ю. Ю. | uk |
| dc.date.accessioned | 2020-04-24T16:04:59Z | |
| dc.date.available | 2020-04-24T16:04:59Z | |
| dc.date.issued | 2020 | |
| dc.identifier.citation | Оптимізація 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.uri | http://ir.lib.vntu.edu.ua//handle/123456789/29807 | |
| dc.description.abstract | У даній роботі проаналізовано особливості використання циклічно-косинусоїдної зміни коефіцієнта швидкості
навчання для створення ансамблю комбінаційних моделей автокодера та згорткової нейронної мережі. | uk |
| dc.description.abstract | In 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.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали XLIX науково-технічної конференції підрозділів ВНТУ, Вінниця, 27-28 квітня 2020 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2020/paper/view/8719 | |
| dc.subject | машинне навчання | uk |
| dc.subject | коефіцієнт швидкості навчання | uk |
| dc.subject | ансамбль моделей | uk |
| dc.subject | автокодер | uk |
| dc.subject | згорткова нейронна мережа | uk |
| dc.subject | machine learning | en |
| dc.subject | learning rate | en |
| dc.subject | ensemble of models | en |
| dc.subject | autoencoder | en |
| dc.subject | convolutional neural network | en |
| dc.title | Оптимізація глибокої нейронної мережі на основі використання циклічно-косинусоїдної зміни коефіцієнта швидкості навчання та ансамблювання моделей | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.032.26 + 004.942 | |
| dc.relation.references | Low 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.references | Bottou L. Large-Scale Machine Learning with Stochastic Gradient Descent / L. Bottou // Proceedings of
COMPSTAT 2010. – 2010. – P. 177-186. | en |
| dc.relation.references | Rozložník 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.references | Kawaguchi 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.references | Caruana 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.references | Zagoruyko S. Wide Residual Networks / S. Zagoruyko, N. Komodakis // Procedings of the British
Machine Vision Conference 2016. – 2016. – 15 p. | en |
| dc.relation.references | Loshchilov 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 |
