- •Лабораторная работа №1
- •Загрузка, инициализация и анализ данных
- •Подготовка временных меток
- •Построение автокорреляционной функции (АКФ)
- •Блок построения временных трендов с усреднением по 7 и 365 дней по колонке 'Consumption'
- •Формирование функции вычисления точности прогнозной модели
- •Реализации алгоритмов машинного обучения
- •Корректировки стационарности временного ряда, улучшение точности прогнозирования
- •Блок корректировки стационарности временного ряда
- •Функция генерирования дополнительных временных признаком
- •Лаборатоное задание
- •Лабораторная работа №2
- •Решение задач классификации машинного обучения
- •Теоретические сведения
- •Практическая часть
- •Лабораторная работа №3
- •«Создание баз знаний в Visual Prolog»
- •Задание на лабораторную работу:
- •Решение.
- •Результат:
- •Лабораторная работа №4
- •Пример сети распознавания цифры с помощью библиотеки Keras
- •Лабораторное задание
Epoch 3/10
1641/1641 [==============================] - 9s 6ms/step - loss: 0.1408 - accuracy: 0.9588
Epoch 4/10
1641/1641 [==============================] - 8s 5ms/step - loss: 0.1174 - accuracy: 0.9645
Epoch 5/10
1641/1641 [==============================] - 9s 5ms/step - loss: 0.1032 - accuracy: 0.9687
Epoch 6/10
1641/1641 [==============================] - 10s 6ms/step - loss: 0.0914 - accuracy: 0.9719
Epoch 7/10
1641/1641 [==============================] - 8s 5ms/step - loss: 0.0837 - accuracy: 0.9747
Epoch 8/10
1641/1641 [==============================] - 8s 5ms/step - loss: 0.0777 - accuracy: 0.9758
Epoch 9/10
1641/1641 [==============================] - 9s 6ms/step - loss: 0.0725 - accuracy: 0.9769
Epoch 10/10
1641/1641 [==============================] - 8s 5ms/step - loss: 0.0669 - accuracy: 0.9787
<keras.callbacks.History at 0x7f4d3460b7d0>
# и оцениваем результат "на тесте" model.evaluate(
X_test, to_categorical(y_test)
)
547/547 [==============================] - 2s 4ms/step - loss: 0.1199 - accuracy: 0.9636
[0.11988620460033417, 0.9635999798774719]
Лабораторное задание
1.Определить зависимость точности распознавания цифр нейронной сетью при изменении количества скрытых слоев от 1 до 5, при различных алгоритмах оптимизации, при различных функциях потерь.
2.Определить зависимость точности распознавания цифр нейронной сетью при изменении размера тестовой части от 5% до 50%, с шагом 5%.
44
2
)
H
Y
P
E
R
L
I
N
K
"
h t t p s
:
/
/
t o w a r d s d a t a s c i e n c e
.
c o m
/
t i m
e |
45 |
Кислицын Дмитрий Игоревич
Системы искусственного интеллекта
Учебно-методическое пособие
по выполнению лабораторных работ для обучающихся по дисциплине «Системы искусственного интеллекта»
по направлению подготовки 09.04.02 Информационные системы и технологии, профиль «Искусственный интеллект в системах и сетях передачи данных»
Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»
603950, Нижний Новгород, ул. Ильинская, 65. http://www.nngasu.ru, srec@nngasu.ru
46