Розпізнавання образів з використанням мережі Байєса

Abstract

Neural networks and Bayesian networks are powerful machine learning methods used to address a wide range of tasks. Neural networks are biologically inspired systems consisting of interconnected neurons that process information and transmit the results to other neurons. Bayesian networks, also known as belief networks or causal probabilistic networks, are a type of probabilistic graphical model. They are used to represent dependencies between variables and calculate the probabilities of different events. Bayesian networks enable to compute the probability of a certain event, taking into account other known events. They utilize Bayes’ theorem to the probabilities of variables in the network. Their intuitiveness, flexibility, efficiency, and integrative nature make Bayesian networks relevant in many application areas. The aim of this work is to develop and test a Bayesian neural network for recognizing handwritten digits. In this study, a multilayer perceptron Bayesian network was developed and tested for the classification of handwritten digits. The MNIST dataset was used for model training, which contains 70,000 images of handwritten digits with labels. This dataset is widely used for testing image recognition algorithms. To evaluate the network’s effectiveness, a test subset of data containing 10,000 images of handwritten digits was used. The developed model demonstrated the accuracy of 93.92 %, which is a better result than other machine learning methods for recognizing handwritten digits. The given model could be useful for developing automatic text recognition systems, such as postal sorting machines and check scanners. The research demonstrates that the Bayesian network is a promising method for classifying handwritten digits, as confirmed by the study. Therefore, it can be concluded that Bayesian networks are not flawless. Their accuracy depends on the quality of data and the correctness of the model. However, if used correctly, they can be a powerful tool for detecting patterns and making decisions.

Нейронні мережі та мережі Байєса — це потужні методи машинного навчання, які використовуються для розв’язання широкого кола задач. Нейронні мережі — це обчислювальні системи, які складаються з взаємозв’язаних штучних нейронів, що обробляють інформацію та передають результат іншим нейронам. Мережі Байєса, відомі як мережі довіри або причинно-наслідкові мережі, відносяться до типу ймовірнісно-графових моделей. Вони використовуються для представлення залежностей між змінними та розрахунку ймовірностей різних подій. Мережі Байєса дозволяють обчислювати ймовірність певної події, враховуючи інші відомі події. Вони використовують теорему Байєса для оновлення ймовірностей змінних у мережі. Через Їхню інтуїтивність, гнучкість, ефективність та інтегрованість мережі Байєса є актуальними в багатьох сферах застосування. Метою цієї роботи є розробка та тестування нейронної мережі Байєса для розпізнавання рукописних цифр. У дослідженні розроблено і протестовано багатошарову перцептронну мережу Байєса для класифікації рукописних цифр. Для навчання моделі використовувався набір даних MNIST, який містить 70 000 зображень рукописних цифр з позначками. Використаний набір даних широко використовується для тестування алгоритмів розпізнавання зображень. Для оцінки ефективності мережі використовувалася тестова підмножина даних, яка містить 10 000 зображень рукописних цифр. Розроблена модель продемонструвала точність 93,92 %, що є кращим результатом, ніж у інших методів машинного навчання для розпізнавання рукописних цифр. Ця модель може бути корисною для розробки систем автоматичного розпізнавання тексту, таких як поштові сортувальні машини та чекові сканери. Дослідження показує, що мережа Байєса є перспективним методом для класифікації рукописних цифр, що підтверджує дослідження. Отже, можна підсумувати, що мережі Байєса не є бездоганними. Їхня точність залежить від якості даних та правильності моделі. Проте, якщо їх правильно використовувати, вони можуть бути потужним інструментом для виявлення закономірностей та прийняття рішень.