Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
https://dspace.uzhnu.edu.ua/jspui/handle/lib/39104
Название: | Semi-supervised learning paradigm analysis for classification of multimodal data |
Другие названия: | Аналiз парадигми Semi-supervised learning для класифiкацiї мульти- модальних даних. |
Авторы: | Boyko, N. |
Ключевые слова: | semi-supervised learning, support vector machine, transudative support vector machines, semi-supervised support vector machines, application programming interface |
Дата публикации: | 2021 |
Издательство: | Говерла |
Библиографическое описание: | Boyko, N. Semi-supervised learning paradigm analysis for classification of multimodal data [Текст] / N. Boyko // Науковий вісник Ужгородського університету : серія Математика і Інформатика / редкол. М. М. Маляр, Г. І. Сливка-Тилищак та ін. – Ужгород : Говерла, 2021. – Вип. 2 (39). – C. 125-144. – Бібліогр.: с. 142-144 (17 назв). – Рез. англ., укр. |
Серия/номер: | Математика і інформатика; |
Краткий осмотр (реферат): | The paper considers machine learning algorithms. The focus is on semi-controlled
learning, which seems to be the balance between teaching accuracy with a teacher and the
cost of teaching methods without a teacher. Examples of careful processing of labelled data
sets for which supervised learning can be very effective are considered. The semi-supervised
and supervised approaches are compared, and the effectiveness of each is analyzed. The
paper considers S3VM and TSVM approach. The work aimed to investigate whether semicontrolled
methods can compete with controlled or even surpass them. Applying these
approaches to the proposed dataset to determine a more accurate classification of data,
namely at the reference limit, is described.
Keywords: semi-supervised learning, support vector machine, transudative support vector
machines, semi-supervised support vector machines, application programming interface. Бойко Н. Аналiз парадигми Semi-supervised learning для класифiкацiї мульти- модальних даних. У роботi розглядаються алгоритми машинного навчання. Увага зосереджена на напiвконтрольному навчаннi, яке здається балансом мiж точнiстю навчання з учите- лем та витратами методiв навчання без учителя. Розглядаються приклади ретельно- го опрацювання мiчених наборiв даних, для яких навчання пiд наглядом може бути дуже ефективним. Порiвнюються пiдходи semi-supervised та supervised та проаналiзо- вана ефективнiсть кожного. В роботi розглядаються пiдходи S3VM та TSVM. Метою роботи було дослiдити чи можуть напiвконтрольованi пiдходи конкурувати з контро- льованими або навiть їх перевершити. Описується застосування даних пiдходiв до запропонованого датасету для визначення бiльш точної класифiкацiї даних, а саме на опорнiй межi. Ключовi слова: навчання пiд наглядом, метод опорних векторiв, трандуктивний ме- тод опорних векторiв, метод опорних векторiв для часткового навчання, прикладний програмний iнтерфейс. |
Тип: | Text |
Тип публикации: | Стаття |
URI (Унифицированный идентификатор ресурса): | https://dspace.uzhnu.edu.ua/jspui/handle/lib/39104 |
ISSN: | 2616-7700 2708-9568 |
Располагается в коллекциях: | Науковий вісник УжНУ Серія: Математика і інформатика. Том 39 №2 2021 |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
SEMI-SUPERVISED LEARNING.pdf | 1.73 MB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.