Факультет електроніки та інформаційних технологій (ЕлІТ)
Permanent URI for this communityhttps://devessuir.sumdu.edu.ua/handle/123456789/20
Browse
2 results
Search Results
Item Обробка природної мови для аналізу тональності(Cумський державний університет, 2024) Грибініченко, Я.А.У роботі розроблено систему для автоматичного визначення тональності текстів. Була реалізована модель на основі нейронної мережі, яка використовує рекурентні шари LSTM для врахування контексту слів, а також алгоритм LIME для пояснення результатів класифікації, що дозволяє визначати ключові слова, що впливають на прийняття рішень. Тестування показало, що модель досягає точності 91% на тренувальній вибірці та 88% на валідаційній після трьох епох навчання, що підтверджує її високу ефективність. Було виявлено деякі труднощі, зокрема недостатня вага деяких слів у навчальному наборі, однак ці проблеми були вирішені шляхом додавання нових даних і вдосконалення алгоритму обробки текстів. В результаті точність фінальної моделі склала 85%, що робить її придатною для практичних застосувань, таких як аналіз відгуків, моніторинг соціальних мереж чи автоматизація аналітики текстових даних.Item Побудова нейронної мережі для розпізнавання рукописних цифр(Cумський державний університет, 2023) Грибініченко, Я.А.У даній роботі було проведено аналіз та порівняння ефективності різних моделей нейронних мереж у задачі класифікації рукописних цифр з використанням бази даних MNIST. Особлива увага була зосереджена на двох архітектурах нейромереж: багатошаровому перцептроні та згортковій нейромережі.Під час тренування обох нейромереж на тренувальному наборі даних було оцінено їхню точність на тестовому наборі. Виявлено, що згорткова нейромережа досягає середньої точності розпізнавання значення швидше, в порівнянні з багатошаровим перцептроном. Запропоновано використовувати згорткові нейромережі для розпізнавання рукописних цифр, оскільки вони здатні виявляти ієрархічні структури та просторові залежності в даних, що сприяє покращенню точності класифікації. Такий підхід може бути корисним для широкого спектру завдань, пов'язаних з розпізнаванням образів та класифікацією зображень.