СРАВНИТЕЛЬНЫЙ АНАЛИЗ АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ КЛАССИФИКАЦИИ ДАННЫХ
Keywords:
нейронные сети, классификация данных, MLP, CNN, RNN, машинное обучение, сравнение архитектур.Abstract
В статье представлен сравнительный анализ популярных
архитектур нейронных сетей, применяемых для задач классификации данных.
Исследование охватывает полносвязные нейронные сети (MLP), сверточные
нейронные сети (CNN) и рекуррентные нейронные сети (RNN). На основе
экспериментов с реальными датасетами оценены точность, устойчивость к
шуму, скорость обучения и требования к вычислительным ресурсам.
Полученные результаты показывают, что CNN обеспечивают более высокую
точность для структурированных изображений, тогда как RNN более
эффективны для последовательных данных. Работа даёт рекомендации по
выбору архитектуры в зависимости от типа задачи.
References
1.
Янн Лекун, Йошуа Бенджио, Джеффри Хинтон. Глубинное обучение //
Nature. – 2015. – Т. 521.
2.
Алекс Крижевский, Илья Суцкевер, Джеффри Хинтон. Классификация
ImageNet с использованием глубоких сверточных нейронных сетей // Advances
in Neural Information Processing Systems. – 2012.
3.
Кайминг Хэ, Сяньюй Чжан, Шаоцин Жэнь, Цзянь Сунь. Глубокое
остаточное обучение для распознавания изображений // CVPR. – 2016.
