بررسي كارايي شبكه هاي عميق با داده هاي محدود بر اساس معيارهاي آماري نمونه ها

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

يادگيري عميق زيرمجموعه‌اي از علم يادگيري ماشين است و از روشي كه ذهن انسان براي يادگيري يك موضوع خاص به كار مي‌گيرد، تقليد مي‌كند. روش‌هاي معمول يادگيري عميق نياز به حجم بالايي از داده‌هاي آموزشي دارند و دقت بالاي اين شبكه‌ها علاوه بر ساختار آن‌ها، معمولا به دليل مجموعه داده‌هاي عظيمي است كه براي آموزش آن‌ها استفاده مي‌شود. همچنين به طور معمول روند كاري اين شبكه‌ها به اين صورت است كه يك بار آموزش مي‌بينند و سپس بارها مورد استفاده قرار مي‌گيرند. در كاربردهاي واقعي اما شرايط كمي متفاوت است. به اين معنا كه براي آموزش مثلا يك كلاس داده‌هاي زيادي در دسترس نيست. از نظر اقتصادي هم جمع‌آوري حجم بالاي نمونه براي هر كلاس مي‌تواند مقرون به صرفه نباشد. از طرف ديگر در اكثر موارد نياز است شبكه پس از آموزش اوليه، به طور مكرر موارد جديدي را بياموزد. هدف مسئله يادگيري افزايشي با داده محدود مرتفع كردن نيازها و چالش‌هاي ذكر شده مي‌باشد. يادگيري افزايشي با داده محدود به معناي آموختن كلاس‌هاي جديد با نمونه‌هاي اندك به ازاي هر كلاس بدون فراموشي كلاس‌هاي پيشين مي‌باشد. در اين پايان‌نامه ابتدا روش‌هاي معرفي شده در اين زمينه بررسي شده است. از آنجايي كه ويژگي داده‌هاي استفاده شده در دقت نهايي الگوريتم اثرگذار است، دو آزمايش جهت تحليل آماري و بررسي تاثير داده‌هاي استفاده شده براي آموزش، طراحي شده است. همچنين روشي جهت بهبود يكي از الگوريتم‌هاي معرفي شده ارائه مي‌شود. نتايج بدست آمده نشان مي‌دهد روش پيشنهادي در برخي جلسات دقت بالاتري نسبت به روش پايه نتيجه مي‌دهد.

216736

معماري سيستم هاي كامپيوتري

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان

نادر كريمي