On practicalities of identifying and implementing a suitable software architecture for a typical deep learning data science project

Abstract

Tutkielmassa tarkastellaan, minkälaisia vaiheita tyypillinen syväoppimista hyödyntävä projekti sisältää ja minkälaisilla työkaluilla se voidaan toteuttaa. Tarkoituksena on selvittää, miten tietyillä ohjelmistotyökaluilla saadaan tuloksia aikaan valmiiksi kerätyllä datalla. Lisäksi kerrotaan lyhyesti syväoppimiseen liittyvästä teoriasta ja demonstroidaan, miten valituilla työkaluilla voidaan rakentaa ja kouluttaa neuroverkko sekä käyttää sitä kuvantunnistukseen. Kuvantunnistusta voi tehdä useilla eri työkaluilla, ja tähän tutkielmaan valitut työkalut osoittautuivat hyviksi vaihtoehdoiksi helppokäyttöisyytensä ja monipuolisuutensa ansioista.

This thesis describes what phases a typical deep learning project has and what tools can be used to implement it. The aim is to explore how to get results with certain software tools with existing data. In addition, theory behind deep learning will be briefly introduced. The practical part of this thesis demonstrates how a neural network can be built, trained and used for image classification with selected tools. Image classification can be done with various tools and the ones used in this thesis proved to be good choices because of their ease of use and feature richness.