Kriterien für die Visualisierung der Funktionsweise von Convolutional Neural Networks
Autor: | Patrick Tinz |
---|---|
EAN: | 9783346461926 |
eBook Format: | |
Sprache: | Deutsch |
Produktart: | eBook |
Veröffentlichungsdatum: | 06.08.2021 |
Untertitel: | Eine vergleichende Analyse aktueller Ansätze |
Kategorie: | |
Schlagworte: | CNN Computer Vision Convolutional Neural Networks Deep Learning Visualisierung |
15,99 €*
Versandkostenfrei
Die Verfügbarkeit wird nach ihrer Bestellung bei uns geprüft.
Bücher sind in der Regel innerhalb von 1-2 Werktagen abholbereit.
Studienarbeit aus dem Jahr 2021 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1,3, Hochschule Darmstadt, Veranstaltung: Hauptseminar Deep Learning, Sprache: Deutsch, Abstract: Deep-Learning-Methoden verzeichnen große Erfolge für viele Vorhersage-Aufgaben, wodurch das Interesse an solchen Verfahren immer weiter steigt. Ein Vertreter von Deep-Learning-Methoden, die mit Bildern oder Videos arbeiten, sind Convolutional Neural Networks (CNNs). CNNs enthalten mehrere hunderte Layer, tausende von Neuronen und Millionen von Verbindungen, wodurch das Verständnis von komplexen CNNs eine große Herausforderung darstellt. Bisherige Visualisierungsansätze beschäftigen sich häufig entweder mit der Mathematik oder der Modellarchitektur. In dieser Arbeit werden Kriterien für eine ganzheitliche Visualisierung von CNNs herausgearbeitet, damit sowohl die Mathematik als auch die Modellarchitektur in den Visualisierungen Berücksichtigung finden. Diese Kriterien werden auf bestehende Konzepte aus der Literatur angewendet und abschließend diskutiert.
Patrick Tinz, M.Sc. Cand., geb. 1996, hat einen Bachelor Abschluss in Informatik. Seine Forschungsgebiete liegen im Bereich Industrie 4.0 und Maschinellem Lernen, wobei er sich derzeit mit dem Themengebiet Predictive Maintenance im Kontext von Industrie 4.0 getriebenen Fertigungsprozessen auseinandersetzt.
Patrick Tinz, M.Sc. Cand., geb. 1996, hat einen Bachelor Abschluss in Informatik. Seine Forschungsgebiete liegen im Bereich Industrie 4.0 und Maschinellem Lernen, wobei er sich derzeit mit dem Themengebiet Predictive Maintenance im Kontext von Industrie 4.0 getriebenen Fertigungsprozessen auseinandersetzt.