Pitkä lähimuisti takaisinkytketyissä neuroverkoissa
| dc.contributor.author | Kautiala, Ilmari | |
| dc.contributor.department | fi=Matematiikan ja tilastotieteen laitos|en=Department of Mathematics and Statistics| | |
| dc.contributor.faculty | fi=Matemaattis-luonnontieteellinen tiedekunta|en=Faculty of Science| | |
| dc.contributor.studysubject | fi=Sovellettu matematiikka|en=Applied Mathematics| | |
| dc.date.accessioned | 2022-08-04T21:01:57Z | |
| dc.date.available | 2022-08-04T21:01:57Z | |
| dc.date.issued | 2022-07-19 | |
| dc.description.abstract | Tässä työssä esitellään neuroverkkoarkkitehtuuri pitkä lähimuisti, jonka tarkoitus on lieventää katoavan gradientin ongelmaa takaisinkytketyissä neuroverkoissa. Neuroverkkojen ymmärtämiseksi on hyvä tietää joitain asioita koneoppimisesta. Aluksi käydään läpi yleisellä tasolla koneoppiminen ja siinä käytettäviä matemaattisia työkaluja. Käydään läpi koneoppimisen osat data, malli ja kustannusfunktio. Malleista otetaan tarkempään käsittelyyn tavallinen neuroverkko ja takaisinkytketty neuroverkko. Takaisinkytkettyjen neuroverkkojen ongelmana on asioiden muistaminen pitkien aikavälien yli. Näytetään, miksi näin tapahtuu, jos gradientti suppenee tai hajaantuu. Tavallisista ja takaisinkytketyistä neuroverkoista tarjotaan numeerinen esimerkki. Pitkän lähimuistin suoritusta vertaillaan muihin arkkitehtuureihin luonnollisen kielen luokittelutehtävässä. | |
| dc.format.extent | 68 | |
| dc.identifier.olddbid | 171457 | |
| dc.identifier.oldhandle | 10024/154559 | |
| dc.identifier.uri | https://www.utupub.fi/handle/11111/23598 | |
| dc.identifier.urn | URN:NBN:fi-fe2022080452850 | |
| dc.language.iso | fin | |
| dc.rights | fi=Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.|en=This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.| | |
| dc.rights.accessrights | suljettu | |
| dc.source.identifier | https://www.utupub.fi/handle/10024/154559 | |
| dc.subject | koneoppiminen, neuroverkko, gradienttimenetelmä, vastavirta-algoritmi, takaisinkytkentä, pitkä lähimuisti | |
| dc.title | Pitkä lähimuisti takaisinkytketyissä neuroverkoissa | |
| dc.type.ontasot | fi=Pro gradu -tutkielma|en=Master's thesis| |
Tiedostot
1 - 1 / 1
Ladataan...
- Name:
- Kautiala_Ilmari_opinnayte.pdf
- Size:
- 941.04 KB
- Format:
- Adobe Portable Document Format