Курсовая работа: Реализация и сравнение различных алгоритмов классификации с использованием tensorflow на примере набора данных MNIST»

СОДЕРЖАНИЕ
Введение
Глава 1. Теоретические основы
1.1 Описание набора данных MNIST
1.2 Введение в TensorFlow
Глава 2. Реализация алгоритмов классификации
2.1 Реализация алгоритма многослойного персептрона с использованием TensorFlow
2.2 Реализация алгоритма логистической регрессии с использованием TensorFlow.
2.3 Реализация алгоритма сверточной нейронной сети с использованием TensorFlow
2.4 Гиперпараметры
Заключение
Список использованной литературы.

Введение

Алгоритмы классификации являются одной из основных задач машинного обучения, которая позволяет автоматически определять категорию или класс объекта на основе определенных характеристик. В данной курсовой работе рассматривается реализация и сравнение различных алгоритмов классификации с использованием библиотеки TensorFlow на примере набора данных MNIST.
Набор данных MNIST состоит из рукописных изображений цифр от 0 до 9, и является одним из наиболее известных и широко используемых наборов данных для оценки производительности алгоритмов машинного обучения. В рамках работы будут рассмотрены такие алгоритмы как логистическая регрессия, нейронные сети и сверточные нейронные сети, и проведено их сравнение по точности и скорости обучения на наборе данных MNIST.
Целью данной работы является исследование эффективности различных алгоритмов классификации на примере набора данных MNIST, а также определение наилучшего алгоритма для данной задачи. Результаты и выводы работы позволят сделать обоснованный выбор алгоритма классификации при работе с подобными наборами данных.
Это интересная тема для исследования. Набор данных MNIST часто используется для обучения и оценки