Рейтинговая работа на тему "Методы оптимизации в машинном обучении | - Витте [ID 66155]"
0
Эта работа представлена в следующих категориях:
Готовая Рейтинговая работа: Методы оптимизации в машинном обучении.
Кафедра математических и естественно-научных дисциплин
Имейте ввиду, что работа не уникальна. Её нужно будет дорабатывать для себя. Для заказа уникальной работы необходимо дать новый заказ. В работе присутствует титульный лист.
Кафедра математических и естественно-научных дисциплин
Имейте ввиду, что работа не уникальна. Её нужно будет дорабатывать для себя. Для заказа уникальной работы необходимо дать новый заказ. В работе присутствует титульный лист.
Демо работы
Описание работы
МОСКОВСКИЙ УНИВЕРСИТЕТ ИМ С.Ю. ВИТТЕКафедра математических и естественно-научных дисциплин
Рейтинговая работа
по дисциплине: Методы обработки и распознавания изображений
Задание/вариант № ____________
Тема* ______________________________________________________________
Москва – 2025 г.
Задание:
Для варианта данных, представленных в таблице :
1. Рассчитать исходную энтропию
2. Рассчитать энтропии по всем атрибутам
3. Рассчитать прирост информации по каждому атрибуту
4. Построить дерево решений по 1 атрибуту (признаку)
5. Построить оптимальное дерево решений по жадному алгоритму
6. Сформулировать правила классификации для оптимального дерева.
7. Выполнить прогноз для заданного в последней строке таблицы варианта значений атрибутов.
Вариант 1
Для построения дерева решений, будем использовать жадный алгоритм на основе прироста информации (или ID3). Сначала мы посчитаем прирост информации по каждому атрибуту, чтобы выбрать тот, который делит данные на подмножества с наибольшей гомогенностью.
Список литературы
1. Лукашевич М. М. Цифровая обработка изображений и распознавание образов: пособие. Минск: БГУИР, 2023.
2. Богатырева М. Р. Предварительная обработка медицинских изображений с помощью искусственной нейронной сети. Витебск: ВГУ им. П. М. Машерова, 2023.
3. Аррыкова Г. К. и др. Программные технологии распознавания изображений. Минск: БГТУ, 2024.
4. Чжоу Синьи. Исследование алгоритмов глубокого обучения в системе визуального распознавания роботов. Original Research Journal, 2024.
5. Еремеев С. В. и др. Новый метод обработки изображений с помощью декомпозиции исходных графических данных по топологическим признакам. Муромский институт, 2023.
6. Zhang J. и др. Vision-Language Models for Vision Tasks: A Survey. arXiv preprint arXiv:2304.00685, 2023.
7. Zhong Y. и др. A comparative study of generative adversarial networks for image recognition algorithms based on deep learning and traditional methods. arXiv preprint arXiv:2408.03568, 2024.