Всем привет! Мы - Шейма Йылмаз, Mücahit Fındık, Юсуф Эмре Генч - продолжайте предоставлять информацию о ходе нашего проекта машинного обучения. Мы упомянем алгоритм, который мы будем использовать! Какой алгоритм мы будем использовать? Почему мы используем алгоритм? В чем его преимущества? Как это работает? Будьте уверены, что ответ на свои вопросы вы найдете в оставшейся части поста. Давайте начнем!

Конечно, в нашем проекте мы будем использовать алгоритм сверточной нейронной сети (CNN). [1] Это многослойная нейронная сеть со специальной архитектурой. Он используется для обнаружения сложных функций в данных. Хотя это может показаться странным сочетанием биологии и информатики, CNN - очень эффективный механизм распознавания изображений. Он используется в таких областях, как распознавание изображений и OCR, обнаружение объектов для беспилотных автомобилей, распознавание лиц в социальных сетях, анализ изображений в здравоохранении.

Алгоритм CNN открыл период машинного обучения. Так что это принесло много преимуществ. Самым значительным преимуществом сверточных нейронных сетей является то, что они не требуют какого-либо наблюдения со стороны человека. Это означает, что когда вы даете данные, он может обучить модель самостоятельно. В качестве еще одного преимущества алгоритм CNN является эффективным с вычислительной точки зрения благодаря операциям свертки и объединения. Кроме того, алгоритм CNN может обучать большие в вычислительном отношении модели, сохраняя лишь небольшое количество параметров.

CNN в основном состоит из 4 слоев. Эти слои; слой свертки, слой функции активации, слой объединения и слои нормализации.
[2] Сверточные слои: Выполняет серию математических операций для всей подобласти изображения для создания единственного значения в выходной карте атрибутов. Слой активации решает, сработает нейрон или нет. Таким образом, это дает окончательное значение вывода. Слой объединения сохраняет нам так много функций, суммируя их. Нормализация помогает повысить стабильность нашей нейронной сети.

Мы расскажем подробнее о наборе данных, который будет использоваться в следующем посте. До встречи на следующей неделе!

Использованная литература: