Магістерські роботи
Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/61744
Browse
Item Порівняльний аналіз методів аугментації даних для різних модальностей(Національний університет “Львівська політехніка”, 2023) Бохонко , Андрій Віталійович; Національний університет “Львівська політехніка”Магістерська кваліфікаційна робота виконана студентом групи КНСШ-12 Бохонко Андрієм Віталійовичем. Тема “Порівняльний аналіз методів аугментації даних для різних модальностей”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процеси прогнозування у випадку коротких наборів табличних даних. Предметом досліджень є методи аугментації даних для різних модальностей. Досягнення мети відбувається перш за все з дослідження існуючого інструментарію машинного навчання та методів аугментації даних для різних модальностей. Подальша розробка програмного забезпечення для реалізації різних методів аугментації даних та моделей машинного навчання для різних модальностей. Апробацію роботи здійснено за допомогою аналізу ефективності різних методів аугментації даних для різних модальностей з використанням метрик якості та статистичних методів. У результаті виконання дипломної роботи проведено аналіз впливу різноманітних методів аугментації даних на ефективність роботи класифікаторів на різних модальностях. Загальний обсяг роботи: 92 сторінки, 49 рисунків, 25 посилань. Master’s degree work of the student of the group CSAI-22 Bokhonko Andrii Vitaliyovych. The topic is "Comparative analysis of data augmentation methods for different modalities". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of research is forecasting processes in the case of short sets of tabular data. The subject of research is data augmentation methods for various modalities. Achieving the goal occurs primarily from the study of existing machine learning tools and data augmentation methods for various modalities. Further software development to implement various data augmentation methods and machine learning models for various modalities. Approbation of the work was carried out by analyzing the effectiveness of various methods of data augmentation for various modalities using quality metrics and statistical methods. As a result of the diploma work, an analysis of the influence of various methods of data augmentation on the effectiveness of classifiers in various modalities was carried out. The total volume of work: 92 pages, 49 figures, 25 references.