<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Дослідження ефективності підбору гіперпараметрів згорткової нейронної мережі для розпізнавання рукописних цифр MNIST

Скорочена інформація про документ
dc.contributor.authorЛавренюк, Є.uk
dc.contributor.authorВарчук, І. В.uk
dc.contributor.authorLavreniuk, Y.en
dc.contributor.authorVarchuk, I. V.en
dc.titleДослідження ефективності підбору гіперпараметрів згорткової нейронної мережі для розпізнавання рукописних цифр MNISTuk
dc.date.issued2026
dc.publisherВінницький національний технічний університетuk
dc.identifier.citationЛавренюк Є., Варчук І. В. Дослідження ефективності підбору гіперпараметрів згорткової нейронної мережі для розпізнавання рукописних цифр MNIST // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/30235.uk
dc.relation.ispartofМатеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/30235
dc.identifier.udc004.8:004.932:519.6
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/52610
dc.description.abstractУ роботі досліджено ефективність застосування згорткової нейронної мережі для розпізнавання рукописних цифр на основі набору даних MNIST/Digit Recognizer. Для експериментального дослідження використано табличне представлення зображень розміром 28×28 пікселів, де кожен об’єкт належить до одного з десяти класів — цифр від 0 до 9. Виконано завантаження даних, нормалізацію значень пікселів, зміну форми вхідних ознак, one-hot encoding цільових міток, а також аугментацію зображень. Побудовано згорткову нейронну мережу на основі бібліотеки Keras/TensorFlow. Проведено порівняння двох стратегій підбору гіперпараметрів: Randomuk
dc.description.abstractThe paper investigates the effectiveness of a convolutional neural network for handwritten digit recognition using theen
dc.subjectMNISTen
dc.subjectзгорткова нейронна мережаuk
dc.subjectCNNen
dc.subjectRandom Searchen
dc.subjectGenetic Algorithmen
dc.subjectKerasen
dc.subjectTensorFlowen
dc.subjectрозпізнавання цифрuk
dc.subjectмашинне навчанняuk
dc.subjectconvolutional neural networken
dc.subjectdigit recognitionen
dc.subjectmachine learningen
dc.typeThesis
dc.language.isoukuk
dc.relation.referencesDigit Recognizer. Kaggle [Електронний ресурс]. – Режим доступу: https://www.kaggle.com/competitions/digitrecognizer TensorFlow Documentation. Keras API [Електронний ресурс]. – Режим доступу: https://www.tensorflow.org/api_docs/python/tf/keras Bergstra J., Bengio Y. Random Search for Hyper-Parameter Optimization. Journal of Machine Learning Research, 2012. Genetic Algorithm. Towards Data Science / Machine Learning Mastery [Електронний ресурс]. – Режим доступу: https://machinelearningmastery.com/simple-genetic-algorithm-from-scratch-in-python/ Pandas Documentation [Електронний ресурс]. – Режим доступу: https://pandas.pydata.org NumPy Documentation [Електронний ресурс]. – Режим доступу: https://numpy.org Matplotlib Documentation [Електронний ресурс]. – Режим доступу: https://matplotlib.org Seaborn Documentation [Електронний ресурс]. – Режим доступу: https://seaborn.pydata.org Scikit-learn Documentation. Metrics and train_test_split [Електронний ресурс]. – Режим доступу: https://scikitlearn.orgen
dc.date.accessioned2026-09-03T10:04:36Z
dc.date.available2026-09-03T10:04:36Z

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
30235.pdf
Розмір:
402,21 KB
Формат:
Adobe Portable Document Format
Завантажити

Ліцензійна угода

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
license.txt
Розмір:
17 B
Формат:
Plain Text
Опис:
Завантажити

Зібрання

Молодь в науці: дослідження, проблеми, перспективи (МН-2026)