Neurális hálózat finomhangolása egy adott adatbázison

Main Article Content

Benkő-Kiss Árpád
Fabulya Zoltán
Hampel György

Absztrakt

Neurális hálózatok több változata érhető már el melyek egyre több helyen kerülnek gyakorlati alkalmazásra, amikor összefüggéseket keresünk nagyobb adatbázisokban. A számítógépes alkalmazások között a mesterséges neurális hálózatok (Neural Network röviden NN) számos válfaja használatos hétköznapi alkalmazásokban. Ilyen például az ügyfélminősítés, egészségügy, vagy éppen az adatbányászat. Természetesen más-más neurális hálózat típus és algoritmusok használatosak a kép és hang és szövegfeldolgozásban vagy gépi fordításban és mások az egyszerű adatbányászatban, vagy összefüggés keresésben és adatelemzésekben. A python scriptnyelven kifejlesztett grafikus felülettel rendelkező rendszerünket, több különböző méretű valós és generált adatbázison teszteltük, eddig sikerrel. Jelen elemzés célja az, hogyan javítható az előrejelzés pontossága az egyes paraméterek változtatásával (neuronszám, iterációszám stb.) ezáltal hogyan növelhető a hálózat pontossága egy adott adatbázis elemzésekor.

Letöltések

Letölthető adat még nem áll rendelkezésre.

Article Details

Hogyan kell idézni
Benkő-Kiss, Árpád, Zoltán Fabulya, és György Hampel. 2023. „Neurális hálózat finomhangolása Egy Adott adatbázison”. Jelenkori Társadalmi és Gazdasági Folyamatok 18 (Különszám):73-81. https://doi.org/10.14232/jtgf.2023.kulonszam.73-81.
Rovat
Tanulmányok
Szerző életrajzok

Benkő-Kiss Árpád, Szegedi Tudományegyetem Mérnöki Kar, Mérnöki Menedzsment és Ökonómiai Intézet (Szeged)

főiskolai docens

Fabulya Zoltán, Szegedi Tudományegyetem Mérnöki Kar, Mérnöki Menedzsment és Ökonómiai Intézet (Szeged)

főiskolai docens

Hampel György, Szegedi Tudományegyetem Mérnöki Kar, Mérnöki Menedzsment és Ökonómiai Intézet (Szeged)

főiskolai docens

Hivatkozások

Altrichter M., Horváth G., Pataki B., Strausz Gy., Takács G., Valyon J. (2007): Neurális hálózatok. Panem Könyvkiadó. Budapest.

Chen, G. (2016): A gentle tutorial of recurrent neural network with error backpropagation. arXiv preprint, arXiv:1610.02583. https://doi.org/10.48550/arXiv.1610.02583

Chollet, F. (2021): Deep learning with Python. Simon and Schuster. <https://www.simonandschuster.com/books/Deep-Learning-with-Python/Francois-Chollet/9781617294433> (2022.10.10.)

Fazekas I. (2013): Neurális hálózatok. Debreceni Egyetem Informatikai Kar. Debrecen.

Freedman, R. S. (2019): Visual Backpropagation. arXiv preprint, arXiv:1906.04011.

https://doi.org/10.48550/arXiv.1906.04011

Füvesi V., Konyha J. (2016). Gépi tanulást segítő függvénykönyvtárak áttekintése. Review of machine learning toolboxes. Műszaki Tudomány az Észak – Kelet Magyarországi Régióban.

Lubicz, M., Pawelczyk, K., Rzechonek, A., Kolodziej, J. (2013). Thoracic Surgery Data. UCI Machine Learning Repository. <https://archive-beta.ics.uci.edu/> (2022.10.10.)

Raschka, S., Mirjalili, V. (2019): Python Machine Learning - Third Edition. Packt Publishing. <https://github.com/packtpublishing/python-machine-learning> (2022.10.05.)

Tan, P-N., Steinbach, M., Kumar, V. (2006). Bevezetés az adatbányászatba - Introduction to Data Mining. Panem Könyvkiadó, Budapest.

Tóth L., Grósz T. (2017): Mesterséges Neuronhálók és alkalmazásaik. Szegedi Tudományegyetem, Szeged. <https://www.inf.u-szeged.hu/~tothl/ann/Neuronhalok-egyben.pdf> (2022.09.15.)