Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen:
http://dx.doi.org/10.18419/opus-13025
Autor(en): | Nguyen, Hai Dang |
Titel: | Visual exploration for deep learning models and trainings for microstructure data |
Erscheinungsdatum: | 2022 |
Dokumentart: | Abschlussarbeit (Master) |
Seiten: | 47 |
URI: | http://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-130445 http://elib.uni-stuttgart.de/handle/11682/13044 http://dx.doi.org/10.18419/opus-13025 |
Zusammenfassung: | Künstliche neuronale Netze sind in der Forschung des Maschinellen Lernens nicht mehr wegzudenken und werden in vielen interdisziplinären Bereichen eingesetzt. Daher ist es wichtig beim Entwurf und der Entwicklung von künstlichen neuronalen Netzen ihre inneren Abläufe zu verstehen. Ein besonders nützlicher Forschungsbereich nennt sich Visual Analytics. Dort werden interaktive visuelle Repräsentationen mit Algorithmen zur Datenanalyse kombiniert, um Erkenntnisse zu gewinnen. Der Zweck dieser Abschlussarbeit ist die Entwicklung eines Visual-Analytics-Systems, welches das Trainingsverhalten von Machine-Learning-Modellen analysiert, die die Eigenschaften von Materialien anhand ihrer Mikrostruktur vorhersagen. Das Ziel ist es den Nutzern zu ermöglichen, zu untersuchen wie verschiedene Trainingskonfigurationen den Trainingsprozess und die Performanz der Modelle beeinflussen. Außerdem, werden eine neuartige Regularization-Methode und eine neuartige Verbesserung des Optimierungsprozesses, Greedy-Stochastic-Perturbation, vorgestellt. |
Enthalten in den Sammlungen: | 13 Zentrale Universitätseinrichtungen |
Dateien zu dieser Ressource:
Datei | Beschreibung | Größe | Format | |
---|---|---|---|---|
Nguyen_ Hai Dang.pdf | 3,39 MB | Adobe PDF | Öffnen/Anzeigen |
Alle Ressourcen in diesem Repositorium sind urheberrechtlich geschützt.