Syväoppimisen laskennallinen vaativuus
Tekijät
Päivämäärä
2022Tekijänoikeudet
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Syväoppiminen on maailmanlaajuisesti käytössä oleva teknologia, jota hyödynnetään yhä etenevässä määrin eri aloilla. Tässä kandidaatintutkielmassa selvitetään mikä on syväoppimisen laskennallinen vaativuus. Tutkielmassa avataan syväoppimisen käsitteistöä sekä laskennallisen vaativuuden teoriaa. Syväoppiminen on koneoppimisen alalaji, jossa jäljitellään ihmisaivojen neuronien toimintaperiaatteita. Tutkielma antaa pohjaa neuroverk- kojen optimoinnin tutkimuksiin. Lähdekirjallisuus on kerätty pääosin tuoreista alan kunnioitetuista julkaisuista ja tutkielma on toteutettu kirjallisuuskatsauksena. Tutkielmassa on esitetty yksi mahdollinen esitys konvoluutionaalisen neuroverkon laskennalliselle vaativuudelle. Muisti- sekä aikavaativuus konvoluutionaaliselle neuroverkolle on esitetty käyttäen "iso O-notaatiota". Aikavaativuudelle löydettiin yksi notaatio, mutta muistivaativuus on kahdelle eri kerrokselle eli konvoluutio- sekä lajittelukerrokselle. Deep learning is a technology which is increasingly being used in different sectors worldwide. In this bachelor’s thesis the subject is to find out what the computational complexity for deep learning is. The thesis discusses the concepts of deep learning and so- me theory of computational complexity. Deep learning is a subset of machine learning that exploits the operating principles of neurons in the human brain. This thesis provides a basis for research into the optimization of neural networks. The references for this thesis has been collected mainly form recent reputable publications of the field and the thesis has been conducted as a literature review. The thesis presents one possible representation of the computational complexity of a convolutional neural network (CNN). The time and space complexity for a CNN is represented using "Big O notation". Complexities for CNN were presented using multiple notations. Time complexity was presented using only one notation, but space complexity has two diffrent notations, one for convolutional layer and the other for fully connected layer.
...
Metadata
Näytä kaikki kuvailutiedotKokoelmat
- Kandidaatintutkielmat [4957]
Samankaltainen aineisto
Näytetään aineistoja, joilla on samankaltainen nimeke tai asiasanat.
-
Mathematical Fuzzy Logic in the Emerging Fields of Engineering, Finance, and Computer Sciences
Shukla, Amit K. (MDPI, 2022) -
Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa
Hellman, Leena (2023)Ihmisten liikkeiden tunnistusta käytetään erilaisissa valvontaan ja älykoteihin liittyvissä ratkaisuissa. Liikkeen tunnistukseen voidaan käyttää erilaisia sensoreita. Viime aikoina erityisesti tutkasensorilla tapahtuva ... -
Darknet-liikenteen analysointi koneoppimisalgoritmeilla
Arikainen, Anna (2023)Tämä pro gradu -tutkielma käsittelee Darknet 2020 -nimisen datasetin testaamista random forest-, gradient boosting- ja logistic regression-algoritmeilla. Tutkimus toteutettiin konstruktiivisena tutkimuksena. Tutkimuksen ... -
Neuroverkkoihin pohjautuvat koneoppimismallit aivokuvantamismenetelmien tukena
Nordlund, Tuomas (2022)Keinotekoiset neuroverkot ovat tehokkaita laskennallisia työkaluja merkityksellisten piirteiden irroittamiseen suurista datamassoista. Aivokuvantamismenetelmien kehittyessä aivoista saadaan yhä enemmän dataa terveydenhuollon ... -
Transformers for breast cancer classification
Lindroos, Jari (2022)Rintasyöpä on maailmanlaajuisesti naisten yleisin syöpä, sen varhainen havaitseminen voi merkittävästi vähentää siihen liittyvää kuolleisuutta. Histopatologista analyysiä tarvitaan kasvainten laadun määrittämiseksi ...
Ellei toisin mainittu, julkisesti saatavilla olevia JYX-metatietoja (poislukien tiivistelmät) saa vapaasti uudelleenkäyttää CC0-lisenssillä.