izpis_h1_title_alt

Konstruktivna indukcija s samokodirniki in gručenjem
KUHAR, YANNICK (Avtor), Robnik Šikonja, Marko (Mentor) Več o mentorju... Povezava se odpre v novem oknu

.pdfPDF - Predstavitvena datoteka, prenos (2,63 MB)

Izvleček
Časovna kompleksnost algoritmov za gručenje je odvisna od dimenzionalnosti vhodnih podatkov, zato so počasni na visokodimenzionalnih podatkih. Problem bomo rešili z globokim samokodirnikom. Uporabili smo ga za kompresijo podatkov v manj dimenzij s čimmanjšo izgubo informacije. Reimplementirali in razširili smo postopek DeepCluster, ki so ga predlagali Tian et al [26]. Izvorno ogrodje podpira le algoritma za gručenje K-voditeljev in GMM. Razširili smo ga s hierarhičnim gručenjem, algoritmom DBSCAN in ansambelskim gručenjem. Ocenili smo kvaliteto gruč in samokodirnik interpretirali s konstruktivno indukcijo. Originalni in razširjeni postopek se v naših poskusih nista izkazala za uspešna, smo pa s konstruktivno indukcijo vizualizirali znanje modela in ga predstavili na razumljivejši način.

Jezik:Slovenski jezik
Ključne besede:gručenje, konstruktivna indukcija, interpretabilnost modelov, samokodirniki
Vrsta gradiva:Diplomsko delo/naloga (mb11)
Organizacija:FRI - Fakulteta za računalništvo in informatiko
Leto izida:2020
COBISS.SI-ID:32331523 Povezava se odpre v novem oknu
Število ogledov:258
Število prenosov:109
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
 
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
:
Objavi na:AddThis
AddThis uporablja piškotke, za katere potrebujemo vaše privoljenje.
Uredi privoljenje...

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Constructive induction using autoencoders and clustering
Izvleček:
The time complexity of most clustering algorithms depends on the dimensionality of the input data and thus most clustering algorithms are slow on highdimensional data. To solve this problem, we trained a deep autoencoder and used it to compress the input data into a lower dimensional space with information loss. We reimplemented and extended the DeepCluster framework proposed by Tian et al [26]. The original framework supports only K-means and GMM clusterings. We extended it with hierarchical clustering, DBSCAN, and ensemble clustering. We evaluated the clusters and interpreted the autoencoder with constructive induction. Both frameworks proved to be unsuccessful in our experiments. However, we were able to interpret the model and visualize its knowledge

Ključne besede:clustering, constructive induction, model interpretability, autoencoders

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj