Факультет інформатики

Permanent URI for this collection

https://ekmair.ukma.edu.ua/handle/123456789/17448

Browse

Browsing Факультет інформатики by Author "Крюкова, Галина"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Optimal initialization of neural networks
    (2020) Кузьменко, Дмитро; Крюкова, Галина
    Artificial neural networks have seen a big surge in popularity. The reason for that is the fact that a lot of different areas, such as photo/video – oriented tasks (object detection, object recognition, semantic segmentation, bounding boxes etc.), neural machine translation, optical character recognition, automated driving and many others, are at the moment the best application of such an approach. Moreover, the use of so called “deep” neural networks is getting widely known now. While having both the computational power increase (modern GPUs are helping with the matter) and the access to enormous amounts of data pushes machine learning engineers and researchers to give up the idea of shallow networks (the ones that have few layers).
  • Thumbnail Image
    Item
    Змагальні атаки та їх типи
    (2023) Новиков, Дмитро; Крюкова, Галина
    У цій роботі розглядаються змагальні атаки на нейронні мережі, їхні основні типи та застосування. Були проаналізовані різновиди змагальних атак та їхнє використання для нейронних мереж. Також була використана згорткова нейронна мережа (CNN), для якої була застосована атака FGSM, що розглянута в роботі. Також були описані базові відомості про нейронні мережі, моделі машинного навчання та багатошарові мережі. Протягом роботи розглядалися атаки на нейронні мережі, що використовуються для класифікації (розпізнавання) зображень. У Розділі 2 розглядаються можливі заходи, яких можна вжити для захисту від змагальних атак.
  • Thumbnail Image
    Item
    Передобумовлення для лінійних обернених задач
    (2023) Столяров, Владислав ; Крюкова, Галина
    Ця курсова робота досліджує лінійні обернені задачі, зосереджуючись на проблемах, пов’язаних з тим, що вони некоректно поставлені, і рішеннях, запропонованих методами регуляризації та ітераційними методами. Робота заглиблюється в норми регуляризації L1 і L2, демонструючи їх корисність у перетворенні некоректно поставлених задач у правильно поставлені. Далі обговорюються методи спряженого градієнта та проксимального градієнта як ефективні ітераційні рішення регуляризованих лінійних обернених задач. У статті також представлено передобумовлення як техніку для підвищення ефективності ітераційних методів, надаючи практичний приклад, який порівнює швидкості збіжності методів спряженого градієнта з попередньою умовою та без попередньої умови. Мета цієї роботи полягає в тому, щоб забезпечити повне розуміння стратегій, доступних для вирішення лінійних обернених задач, з особливим наголосом на методах передобумовлення.