Klasisko mašīnmācīšanās metožu un dziļo neironu tīklu salīdzinājums uz tabulāriem datiem

Abstract

Bakalaura darba mērķis ir izpētīt dažādas dziļo neironu tīklu arhitektūras un salīdzināt tos ar klasiskās mašīnmāčišanās metodēm reproducējamā veidā, lai saprastu, kuru ir noderīgāk izmantot uz tabulāriem datiem. Darbs ir kursa darba "Klasisko mašīnmācīšanās metožu un dziļo neironu tīklu salīdzinājums uz tabulāriem datiem" turpinājums, dziļāk un plašāk izpētot šo pašu tēmu. Darba ietvaros tiks izveidotas vairākas Python programmas, kas Docker konteinerī ielādē un apstrādā datu kopas, pielāgo klasiskās mašīnmācīšanās metodes un apmāca dziļos neironu tīklus uz tām pašām datu kopām dažādos apjomos. Programmas veiks uzraudzītu mācīšānu ar klasifikācijas un regresijas metodēm, validēs dziļo neironu tīkla modeli pēc katra epoha uz datu kopas izdalītiem datiem un salīdzinās faktiskās izvadu vērtības ar modeļa izvada vērtībām.

The purpose of the work is to research various deep neural network architectures and compare them with classical machine learning methods in a reproducible manner to determine which is more useful when using tabular data. This work is a continuation of the course work "Comparison of Classical Machine Learning Methods and Deep Neural Network on Tabular Data" by researching the topic further and more broadly. As part of the work multiple Python programs were created that in a Docker container load and process the data set, fit classical machine learning methods, and train neural networks using different amounts of the same data set. The programs perform supervised learning using classification and regression methods, validate the model of the deep neural network after each epoch on data separated out of the data set, and compare the actual output values with the output values of the model.