Курсовая работа: Базовая реализация регуляторов

ОГЛАВЛЕНИЕ
Введение
1 Постановка цели
2 Сверточная Нейронная Сеть
3 Библиотека Tensorflow.js
4 Реализация нейронной сети
5 Оценка результатов обучения
Вывод
Список использованных источников
Приложение А (обязательное) Код модуля train.mjs
Приложение Б (обязательное) Код модуля dataLoader.js
Приложение В (обязательное) Код модуля logger.js
Приложение Г (обязательное) Код скрипта fixJpeg.mjs


Введение
На сегодняшний день нейронные сети представляют собой мощнейший инструмент для ряда задач, которые сложно решить обычными алгоритмами. Резкий взлет популярности машинного обучения начался в 2012 году и продолжается до сих пор. С тех пор глубокие нейронные сети стали применять для еще большего количества задач, что позволило машинам решать казавшиеся нерешаемыми задачи и резко повысить степень безошибочности. По большому счету, основные идеи и базовые методы нейронных сетей существовали еще в 80-х годах прошлого века, но в последнее время технический прогресс двигало развитие в аппаратном обеспечении, увеличение количества наборов данных и тестов производительности, усовершенствование алгоритмов. В настоящий момент нейронные сети применяют для категоризации содержимого изображений, нахождения объектов в изображениях, перевод с одного естественного языка на другой, распознавание непрерывной речи с обширным словарным запасом, генерация правдоподобно выглядящих изображений, генерация музыки, обучение игре в игры. Прогресс в развитиях нейронных сетей и увеличении количества и качества задач, которые они смогут решать, несомненно, будет только увеличиваться в ближайшие месяцы и годы. Глубокие нейронные сети стали одним из лучших алгоритмов для всех задач машинного зрения, распознавания речи. Основная причина подобного успеха заключается в более высоком быстродействии для ряда задач, а также в упрощении решения задач, поскольку автоматизирует проектирование признаков – приспособление входных данных к обработке и проектирование