МӘЛІМЕТТЕРДЕГІ ӨЗГЕРІСТЕР КЛАССИФИКАТОРДЫҢ ДӘЛДІГІНЕ ӘСЕР ЕТУІ

Төңкерілген нейрондық желілер компьютерлік көру және үлгіні тану төңкерісін жасады. Олар сөйлеуді тануға, әртүрлі бейнелер жасауға, дыбыстық сигналдарды өңдеуге, уақыт қатарларын өңдеуге және мәтіндердің мағынасын талдауға қолданылады. Нейрондық желілердің барған сайын күрделі және терең архитектурасы дамытылуда, сол сияқты бұл тәсілдің жалпы проблемалары- ның артықшылықтары мен кемшіліктері де кездеседі. Олардың бірі – нейрондық желінің жасырын ішкі қағидасы. Дұрыс дайындалған желі зерттеушілерге деректерге тәуелділік туралы және мәселенің құрылымы жайында ақпарат бермейді. Оқытылған нейрондық желі – салмақ матрицаларының жиынтығы. Осы тұрғыдан алғанда, нейрондық желілер – машинамен оқытудың белгілі бір мәселесін шешудің құралы, бірақ олар мәселені зерттеу үшін сарапшыларға аналитикалық ақпарат бермейді. Нейрондық желінің жұмыс істеу принципі біздің миымыздағы нейрондар принципінен алынды. Мидың ішіне осы ультрадыбыстық, ПЭТ, МРТ және фМРИ арқылы қарауды үйрендік. Ал конвульсиялық нейрондық желілер үшін визуализация үшін дәлдік және жылу карталары сияқты көрсеткіштер қолда- нылады. Жұмыстың мақсаты – оқыту мәліметтерінің нейрондық желінің дәлдігіне әсерін анықтау. Ал қанша деректер нейрондық желінің тұрақтылығын айтарлықтай өзгертеді. Ең алдымен, оларда гиперпараметрлер таңдалды: оқу жылдамдығы, пакеттің мөлшері және дәуірлер саны, сонымен қатар кескін өлшемі. Содан кейін бастапқы мәліметтер көмегімен бірқатар жаттығулар өткізілді, сосын оған алдын ала өңделген суреттер қосылды. Жұмыстың нәтижелері көрсеткендей, алдын ала өңделген мәліметтердің шамамен 15%-дан тұратын мәліметтер базасы модельдің нақтылығына оң әсер етеді. Қосымша деректерді пайдаланған кезде дәлдікте айтарлықтай өсу байқалмады.

1. Tensor processing unit. Available at: https://cloud.google.com/blog/products/gcp/cloud-tpu-machine-learning-accelerators-now-available-in-beta

2. Christoph Molnar. Interpretable Machine Learning : A Guide for Making Black Box Models Explainable, 2018.

3. ImageNet. Available at: http://www.image-net.org/

4. Labeled Faces in the Wild. Availabe at: http://vis-www.cs.umass.edu/lfw/

5. LabelImg. Available at: https://github.com/tzutalin/labelImg

6. Augmentation sequence. Available at: https://imgaug.readthedocs.io/en/latest/source/examples_basics.html

7. VGGFace2. Available at: http://www.robots.ox.ac.uk/~vgg/data/vgg_face2/

8. Alex Krizhevsky. ImageNet Classification with Deep Convolutional Neural Networks

9. Aharon Azulay and Yair Weiss. Why do deep convolutional networks generalize so poorly to small image transformations?, 2018

10. Dan Hendrycks, Thomas G. Dietterich. Benchmarking Neural Network Robustness to Common Corruptions and Surface Variations, 2019.