Search results for "mašīnmācīšanās"
showing 10 items of 82 documents
Automatizētās mašīnmācīšanās pakotnes AutoKeras pielietojums attēlu klasifikācijā
2021
Automatizētās mašīnmācīšanās (AutoML) mērķis ir nodrošināt to, ka mašīnmācīšanās lēmumi tiek pieņemti automātiski un balstīti uz datiem, kā arī ļaut pēc iespējas plašākai auditorijai izmantot mašīnmācīšanās priekšrocības. Darbā apskatīts AutoML pielietojums attēlu klasifikācijai ar AutoKeras pakotni, kas veic neironu arhitektūru meklēšanu, izmantojot labākais-pirmais meklēšanas un simulētās atkvēlināšanas algoritmus, ko virza Beiesa optimizācija. Apmācības laika samazināšanai tiek izmantoti tīklu morfismi. Pārbaudot to uz CIFAR-10 datiem, tika sasniegta 97.1% precizitāte, tomēr tas tika iegūts ar lieliem datorresursu ieguldījumiem un rīkam ir noteikti lietojamības trūkumi.
Atbalsta vektoru metodes izmantošana teksta klasifikācijai
2017
Mūsdienās arvien pieaug uzglabātās informācijas un datu apjoms. Daudz informācijas tiek uzkrāts teksta dokumentos, kas lielākoties tiek uzglabāti nestrukturētā veidā. Maģistra darba mērķis ir iepazīties ar teksta klasifikācijas problemātiku un izpētīt dažādas, biežāk lietotās mašīnmācīšanās metodes, ko izmanto šī uzdevuma atrisināšanai. Tāpat darbā apskatītas metodes teksta datu dimensiju skaita samazināšanai. Darba gaitā veikta angļu valodas datu klasifikācija atbilstoši tēmām, izmantojot ”The New York Times” ziņu virsrakstu datus. Veikta arī latviešu ziņu portālu komentāru klasifikācija agresīvos un neagresīvos komentāros. Abām datu kopām klasifikācija veikta, izmantojot atbalsta vektoru …
Dziļo konvolūcijas tīklu lietojums attēlu atpazīšanā
2017
Darbā ir apskatītas dziļās mašīnmācīšanās metodes un konvolūcijas tīkli, kas gūst arvien plašāku lietojumu daudzos ar mašīnredzēšanu un attēlapstrādi saistītos uzdevumos. Savā veiktspējā konvolūcijas tīkli pārspēj regulāros neironu tīklus, paverot plašas iespējas sarežģītu struktūru grafisku datu apstrādē. Darbā ir izskatīti ievērību guvušas modeļu optimizācijas un regularizācijs metodes. Ir aplūkoti dažādu arhitektūru konvolūcijas tīkli un to ansambļu metodes, kuru pamatā ir tīkla slāņu vienību un slāņu izņemšana. Darba praktiskajā daļā tiek parādīta konvolūcijas tīkla parametru izmaiņu ietekme uz modeļa konverģenci un ātrdarbību; ir izveidots 110 konvolūcijas slāņu stohastiska dziļuma tīk…
Mākslīgā intelekta pielietošanas iespējas automatizētajā testēšanā
2019
Bakalaura darbā “Mākslīgā intelekta pielietošanas iespējas automatizētajā testēšanā” ir apkopota informācija par mākslīgā intelekta darbības principiem, un kā to varētu pielietot automatizētajā testēšanā. Darbā tiek apskatīti populāri automatizētās testēšanas rīki, kas izmanto mākslīgo intelektu, un pētīts, kā tajos tiek implementēts mākslīgais intelekts. Darba ietvaros ir izmēģināti un analizēti apskatītie testēšanas rīki testa projektā. Bakalaura darbs satur 42 lappuses, 2 tabulas, 24 attēlus, 33 avotus.
Seju un logo aptazīšanas tīmekļa sistēma
2017
Šajā dokumentā ir aprakstīta seju un logo atpazīšanas tīmekļa sistēma, kas paredzēta attēlos attēlotu seju atrašanai un no šīm sejām sistēmāievietoto seju atpazīšanai, kā arī attēlos redzamo logotipu, kas ievietoti sistēmā, atpazīšanai. Sistēmai tika aprakstīta veidota tikai aizmugures daļa, jo lietotāju saskarni implementēs pasūtītājs. Sistēma realizēta, izmantojot ārējus moduļus, Docker platformā. Tā implementēta Python valodā, izmantojot Flask ietvaru.
Elektrokardiogrammas datu apstrāde
2019
Sirds slimības ir viena no izplatītākajām veselības problēmām, ar ko saskaras miljoniem iedzīvotāju visā pasaulē. Lai gan ārstēšanas metodes un tehnoloģiskās iespējas attīstās ik gadu, ārsti vēl arvien saskaras ar problēmām precīzi noteikt pacientu diagnozes. Elektrokardiogrāfija ir viena no pamata izmeklējuma metodēm sirdsdarbības traucējumu diagnostikā. Darba ietvaros tika pētīts elektrokardiogrammu apstrādes process, lai pēc iespējas precīzāk automatizēti noteiktu sirdsdarbības traucējumus. Par darba mērķi tika izvirzīts automatizēti noteikt un klasificēt sirds aritmijas tipus. Rezultātā tika izvērtēts efektīvākais veids, kā klasificēt aritmijas un apstrādāt datus.
Mākslīgā intelekta izmantošana uz stehiometriskiem modeļiem bāzētu organismu celmu izvēlē un metaboliskajā inženierijā biotehnoloģijā
2021
Stehiometrisko genoma mēroga modeļu analīze ar katru gadu kļūst aizvien populārāka metode organismu analīzei, potenciālo modifikāciju meklēšanai un vispārīgi palīdz izvairīties no liekiem laboratorijas eksperimentiem. Tajā pašā laikā būtiski palielinās arī metabolisko reakciju, metabolītu un gēnu datu bāžu izmēri. Šie abi iemesli noved pie nepieciešamības pēc metodēm un algoritmiem, kas spētu apstrādāt aizvien pieaugošos datus un atvieglot metabolisko modeļu izveidi un apstrādi. Šajā darbā tiek izstrādāts kStrainAlgorithm, kurš izmanto ģenētiskos algoritmus, lai pildītu trīs galvenās funkcijas: 1) spēt identificēt nepieciešamās reakcijas genoma mēroga stehiometriskā modeļa darbībai, 2) izma…
Runas izdalīšana audio ierakstos, izmantojot dziļo mašīnapmācību
2021
Kvalifikācijas darbā tiek aprakstīta sistēma, tās prasības un realizācija. Šī sistēma sastāv no tīmekļa vietnes un mašīnmācīšanās modeļa, ar kura palīdzību ir iespējams izdalīt runas fragmentus augšupielādētajā audio failā. Šī sistēma satur arī datu kopas sagatavošanas moduli, ar kura palīdzību tiek apkopoti dati no FSD50K kopas, un tie tiek sagatavoti priekš jau iepriekš apmācīta DenseNet modeļa pielāgošanas un apmācības. Rezultātā tika apmācīti vairāki modeļi, no kuriem tika atlasīts labākais, kurš pēc tam tika savienots ar tīmekļa vietni, ar kuras palīdzību ir iespējams iesniegt failu runas izdalīšanas analīzei un apskatīt atgriezto rezultātu lietotājam vienkāršā veidā.
Rekurento neironu tīklu novērtēšanas sistēma
2021
Darba “Rekurento neironu tīklu novērtēšanas sistēma” ietvaros tika izstrādāta sistēma, kurā var uztrenēt rekurento neironu tīklu arhitektūras uz dažādiem uzdevumiem, tām automātiski piemeklējot optimālos tīkla parametrus, un pārbaudīt uz tiem sasniegtos rezultātus, ar mērķi objektīvi novērtēt konkrēta rekurentā neironu tīkla efektivitāti. Sistēmu ir paredzēts lietot dziļās mašīnmācīšanās pētniecībā, jaunu rekurento neironu tīklu izstrādē un testēšanā, lai noteiktu vai jaunizveidotie neironu tīkli ir labāki par jau eksistējošajiem uz konkrētiem uzdevumiem.
Pacientu komentāru nolūka noteikšana izmantojot mašīnmācīšanos
2020
Bakalaura darba mērķis ir automatizēt procesu aptauju atvērtā tipa jautājumu nolūka noteikšanai, izmantojot uzraudzīto mašīnmācīšanos, kā arī pierādīt izvēlētā risinājuma veiktspēju. Programmatūras risinājums paredzēts pacientu komentāru nolūka noteikšanai. Bakalaura darbs sastāv no vārdnīcas, ievada, mašīnmācīšanās teorijas, eksistējošiem risinājumiem, mašīnmācīšanās bibliotēku analīzi, datu apstrādes, modeļa parametru izklāsta, modeļa izstrādes, rezultātiem, secinājumiem, izmantotās literatūras un pielikumiem. Bakalaura darbā aprakstītas mašīnmācīšanās bibliotēkas, ko iespējams izmantot risinājuma izstrādei. Ar konkrētu izvelētu mašīnmācīšanās bibliotēku aprakstīta mašīnmācīšanās modeļa i…