Для студентов МГУ им. Ломоносова по предмету ДругиеМетоды анализа данных и машинного обученияМетоды анализа данных и машинного обучения
4,945970
2024-09-202024-09-20СтудИзба
Курсовая работа: Методы анализа данных и машинного обучения
Описание
РЕФЕРАТ
Курсовая работа содержит 37 страниц текстового документа формата А4, включающего 23 рисунка, 25 использованных источников.
МАШИННОЕ ОБУЧЕНИЕ, АНАЛИЗ ДАННЫХ, МЕТОДЫ PYTHON, АЛГОРИТМЫ, ПЕСЕПТРОН, СЛУЧАЙНЫЕ ЛЕСА
Целью настоящей курсовой работы является анализ методов анализа данных и машинного обучения.
Объект исследования – библиотеки алгоритмов машинного обучения.
Предмет исследования – использование алгоритмов для классификации данных.
В результате выполнения курсовой работы были сформированы следующие выводы.
1) Главной целью алгоритмов машинного обучения на сегодняшний день является решение типовых задач.
2) Для увеличения точности анализа были разработаны алгоритмы глубокого машинного обучения, включающие разделение стадии анализа на две составляющие.
3) Проведено сравнение алгоритмов, предназначенных для классификации изображений по критериям: точность, время обработки кадров, реакция на окклюзию. На основании анализа был выбран наиболее точный алгоритм – OpenCV DNN.
4) Наиболее целесообразно найти новые подходы к применению существующих алгоритмов.
СОДЕРЖАНИЕ
Введение 5
1 Обзор алгоритмов машинного обучения 7
1.1 Обзор способов анализа данных с использованием машинного обучения 7
1.2 Сравнение рассмотренных способов анализа с использованием машинного обучения 13
1.3 Анализ перспективного направления развития машинного обучения 17
2 Практические аспекты алгоритмов машинного обучения 22
2.1 Построение персептрона на Python 22
2.2 Тренировка модели 23
2.3 Реализация алгоритма «случайные леса» 27
2.4 Реализация алгоритма k ближайших соседей 29
Заключение 31
Список использованных источников 32
Курсовая работа содержит 37 страниц текстового документа формата А4, включающего 23 рисунка, 25 использованных источников.
МАШИННОЕ ОБУЧЕНИЕ, АНАЛИЗ ДАННЫХ, МЕТОДЫ PYTHON, АЛГОРИТМЫ, ПЕСЕПТРОН, СЛУЧАЙНЫЕ ЛЕСА
Целью настоящей курсовой работы является анализ методов анализа данных и машинного обучения.
Объект исследования – библиотеки алгоритмов машинного обучения.
Предмет исследования – использование алгоритмов для классификации данных.
В результате выполнения курсовой работы были сформированы следующие выводы.
1) Главной целью алгоритмов машинного обучения на сегодняшний день является решение типовых задач.
2) Для увеличения точности анализа были разработаны алгоритмы глубокого машинного обучения, включающие разделение стадии анализа на две составляющие.
3) Проведено сравнение алгоритмов, предназначенных для классификации изображений по критериям: точность, время обработки кадров, реакция на окклюзию. На основании анализа был выбран наиболее точный алгоритм – OpenCV DNN.
4) Наиболее целесообразно найти новые подходы к применению существующих алгоритмов.
СОДЕРЖАНИЕ
Введение 5
1 Обзор алгоритмов машинного обучения 7
1.1 Обзор способов анализа данных с использованием машинного обучения 7
1.2 Сравнение рассмотренных способов анализа с использованием машинного обучения 13
1.3 Анализ перспективного направления развития машинного обучения 17
2 Практические аспекты алгоритмов машинного обучения 22
2.1 Построение персептрона на Python 22
2.2 Тренировка модели 23
2.3 Реализация алгоритма «случайные леса» 27
2.4 Реализация алгоритма k ближайших соседей 29
Заключение 31
Список использованных источников 32
Характеристики курсовой работы
Предмет
Учебное заведение
МГУ им. ЛомоносоваСеместр
Просмотров
2
Размер
2,04 Mb
Список файлов
МЕТОДЫ АНАЛИЗА ДАННЫХ И МАШИННОГО ОБУЧЕНИЯ.docx
Tortuga
20 сентября 2024 в 20:13
Комментарии
Нет комментариев
Стань первым, кто что-нибудь напишет!
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
