723 строки
22 KiB
Plaintext
723 строки
22 KiB
Plaintext
{
|
|
"cells": [
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {
|
|
"id": "VhB5tU1IGSIh"
|
|
},
|
|
"source": [
|
|
"### ЛАБОРАТОРНАЯ РАБОТА №3\n",
|
|
"## Применение многослойного персептрона. Автоассоциативная ИНС"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"> Цель работы: знакомство с применением многослойного персептрона для решения задач сжатия данных, прогнозирования временных рядов и распознавания образов.\n",
|
|
">\n",
|
|
"> Задание\n",
|
|
"> 1. Открыть файл с данными по минеральной воде, который использовался при решении задач классификации в предыдущей лабораторной работе. Построить и обучить автоассоциативные нейронные сети с 2-мя и 3-мя нейронами в скрытом слое: \n",
|
|
"> а) для исходных данных из 5-ти классов; \n",
|
|
"> б) для исходных данных из 4-х классов. \n",
|
|
"> Провести визуализацию данных в скрытом слое каждой сети на плоскость и в 3-х мерное пространство. Проанализировать полученные результаты. Выбрать и сохранить автоассоциативные ИНС, обеспечивающие наилучшее сжатие исходных данных. \n",
|
|
"> 2. … \n",
|
|
"> 3. Решить задачу распознавания 9-ти изображений самолетов. Исходные данные (файлы avia1.bmp, …, avia9.bmp) необходимо предварительно преобразовать в набор векторов со значениями признаков 0 или 1. Обученная нейронная сеть должна правильно определять модель самолета и его класс (истребитель/бомбардировщик). Принадлежность модели к определенному классу выбирается студентом самостоятельно."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Импорт библиотек:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"id": "FwCw1KfEpbsm"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"import numpy as np\n",
|
|
"import pandas as pd\n",
|
|
"import seaborn as sns\n",
|
|
"import torch\n",
|
|
"import matplotlib.pyplot as plt\n",
|
|
"from IPython.display import clear_output\n",
|
|
"from mpl_toolkits.mplot3d import Axes3D\n",
|
|
"\n",
|
|
"from torch import nn\n",
|
|
"\n",
|
|
"%matplotlib inline"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Содержание: \n",
|
|
"[1. Подготовка данных](#p_1) \n",
|
|
"[2. Автоассоциативная нейронная сеть на полных данных](#p_2) \n",
|
|
"[3. Автоассоциативная нейронная сеть на неполных данных](#p_3)"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"## 1. Подготовка данных<a id=\"p_1\"></a>"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Загрузим в датафрейм `data` данные о сорока образцах минеральной воды, хранящиеся в файле `min_water.txt`."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/",
|
|
"height": 256
|
|
},
|
|
"id": "PkNWYbQCpsl_",
|
|
"outputId": "ee2dd8c3-2d7d-4962-bc40-a5cc2dded5db"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"data = pd.read_csv('min_water.csv')\n",
|
|
"data.head(n=5)"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Вынесем в отдельные переменные:\n",
|
|
" - `y_binary` — выходной признак для задачи бинарной классификации (первый столбец датафрейма);\n",
|
|
" - `y_multiclass` — выходной признак для задачи многоклассовой классификации (второй столбец датафрейма);\n",
|
|
" - `X_data` — входные признаки (оставшиеся столбцы)."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"id": "D_QiYrPkpsu0"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"y_binary = data.iloc[:, 0]\n",
|
|
"y_multiclass = data.iloc[:, 1]\n",
|
|
"\n",
|
|
"X_data = data.iloc[:, 2:]"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Выпишите в список `features` отобранные в прошлой лабораторной работе признаки (формат: `features = ['VAR1', 'VAR2']`):"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"features = # Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Датафрейм с отобранными входными признаками `X_data_filtered`:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/",
|
|
"height": 206
|
|
},
|
|
"id": "d6eTUCk2Cjdc",
|
|
"outputId": "d89643dd-a410-42b2-9b91-c4534966fd1d"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"X_data_filtered = X_data.loc[:, features]\n",
|
|
"X_data_filtered.head(n=5)"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Произведите нормализацию или стандартизацию (на выбор) отобранных входных данных `X_data_filtered`. Результат сохраните в переменную `X_data_preprocessed`, которую затем представьте в виде тензора `X_data_tensor`:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"id": "HclxngwAGue-"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"# Ваш код здесь\n",
|
|
"\n",
|
|
"X_data_preprocessed = # Ваш код здесь\n",
|
|
"\n",
|
|
"X_data_tensor = # Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/"
|
|
},
|
|
"id": "AtGktiZmJiUV",
|
|
"outputId": "f9edb4f0-c5ab-4a62-af28-6552c981512f"
|
|
},
|
|
"source": [
|
|
"## 2. Автоассоциативная нейронная сеть на полных данных<a id=\"p_2\"></a>"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {
|
|
"id": "jsWiE7Ke1p9S"
|
|
},
|
|
"source": [
|
|
"Автоассоциативная сеть (или автоассоциативная память) — тип нейронной сети, способный восстанавливать полный шаблон данных по его частичному или зашумлённому представлению.\n",
|
|
"\n",
|
|
"Типичная автоассоциативная сеть содержит как минимум три скрытых слоя:\n",
|
|
" - первый скрытый слой выполняет нелинейное кодирование входных данных (энкодер);\n",
|
|
" - средний слой («узкое горло» или «бутылочное горло») формирует сжатое представление данных — в результате обучения выдаёт компактное кодирование;\n",
|
|
" - последний скрытый слой служит декодером: восстанавливает исходные данные из сжатого представления.\n",
|
|
"\n",
|
|
"Цель обучения: в процессе минимизации ошибки воспроизведения сеть стремится сделать выходной сигнал максимально близким к входному. Это эквивалентно оптимальному кодированию в «узком горле» сети."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Допишите класс `Autoencoder` структурами энкодера и декодера на основе полносвязных слоёв `nn.Linear`. В качестве функций активации используйте `nn.ReLU()`. При этом на выходе энкодера функцию активации можно не применять — это позволит сохранить отрицательные значения в кодированном представлении."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"class Autoencoder(nn.Module):\n",
|
|
" def __init__(self, n_inputs, n_hiddens, bottleneck_size):\n",
|
|
" super().__init__()\n",
|
|
" self.encoder = nn.Sequential(\n",
|
|
" # Ваш код здесь\n",
|
|
" )\n",
|
|
" self.decoder = nn.Sequential(\n",
|
|
" # Ваш код здесь\n",
|
|
" )\n",
|
|
"\n",
|
|
" def forward(self, x):\n",
|
|
" encoded = self.encoder(x)\n",
|
|
" decoded = self.decoder(encoded)\n",
|
|
" return decoded"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Создайте экземпляр модели с двумя нейронами в «узком горле»:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"model_2 = Autoencoder(# Ващ код здесь\n",
|
|
"print(model_2)"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/"
|
|
},
|
|
"id": "tGS2_TqjK_SI",
|
|
"outputId": "a1a63c33-5dd5-461e-8d20-97fc34455f21"
|
|
},
|
|
"source": [
|
|
"Пропустим данные через эту модель для её проверки:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/"
|
|
},
|
|
"id": "Y3GS-3AaKYt7",
|
|
"outputId": "981a4cd8-3b19-4bf6-ac07-ddd13e3df131"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"model_2(X_data_tensor[:3])"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Удостоверимся, что размерность её выхода совпадает с размерностью её входа:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"assert X_data_tensor[:3].shape == model_2(X_data_tensor[:3]).shape"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Проверим, как модель обучается. Зададим оптимизатор и среднеквадратическую функцию потерь:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"id": "VGWgT-_UKY5S"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"optimizer = torch.optim.SGD(model_2.parameters(), lr=1.5)\n",
|
|
"criterion = nn.MSELoss()"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Рассчитаем значение функции потерь:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/"
|
|
},
|
|
"id": "5kKYW89_KY8j",
|
|
"outputId": "94e90485-ca86-4204-e61d-75d247a87fc4"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"decoded = model_2(X_data_tensor)\n",
|
|
"\n",
|
|
"loss = criterion(decoded, X_data_tensor)\n",
|
|
"loss"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Выполните несколько раз эту и предыдущую ячейку, чтобы убедиться в уменьшении ошибки:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"id": "G_JCVLCkKZCa"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"loss.backward()\n",
|
|
"optimizer.step()\n",
|
|
"optimizer.zero_grad()"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Задайте параметры для обучения автоассоциативной сети с двумя нейронами в «узком горле»:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"torch.manual_seed(seed=42)\n",
|
|
"\n",
|
|
"model_2 = # Ваш код здесь\n",
|
|
"\n",
|
|
"epochs = # Ваш код здесь\n",
|
|
"\n",
|
|
"learning_rate = # Ваш код здесь\n",
|
|
"momentum = # Ваш код здесь\n",
|
|
"\n",
|
|
"optimizer = # Ваш код здесь\n",
|
|
"criterion = # Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"**Обучение нейронной сети:**"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"loss_history = []\n",
|
|
"\n",
|
|
"for epoch in range(epochs):\n",
|
|
" # Ваш код здесь\n",
|
|
"\n",
|
|
" if (epoch + 1) % 5 == 0:\n",
|
|
"\n",
|
|
" clear_output(True)\n",
|
|
" plt.plot(range(1, epoch+2), loss_history, label='Loss')\n",
|
|
" plt.title(f'Epoch: {epoch + 1}, Loss: {loss_history[-1]:.6f}')\n",
|
|
" plt.grid(True, alpha=0.3)\n",
|
|
" plt.legend(loc='best')\n",
|
|
" plt.show()"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"После обучения сети получим двумерные данные с выхода энкодера:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/"
|
|
},
|
|
"id": "HFcSAdGoOaog",
|
|
"outputId": "36330737-7606-4a6a-e532-6bf372deb34d"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"encoded_2d = model_2.encoder(X_data_tensor).detach().numpy()\n",
|
|
"print(encoded_2d[:3])"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Построим двумерную диаграмму рассеяния и отметим классы с помощью `y_multiclass`:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/",
|
|
"height": 430
|
|
},
|
|
"id": "KkToPCInQQ1J",
|
|
"outputId": "244bae8a-94a9-4817-a564-69c630efea98"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"scatter = plt.scatter(x=encoded_2d[:, 0], y=encoded_2d[:, 1], c=y_multiclass, cmap='viridis')\n",
|
|
"plt.grid(True, alpha=0.3)\n",
|
|
"\n",
|
|
"# Код для легенды\n",
|
|
"handles, labels = scatter.legend_elements(prop='colors')\n",
|
|
"plt.legend(handles, labels, loc='best', title='Classes')\n",
|
|
"\n",
|
|
"plt.show()"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"По аналогии обучите автоассоциативную сеть с тремя нейронами в «узком горле»:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"torch.manual_seed(seed=42)\n",
|
|
"\n",
|
|
"model_3 = # Ваш код здесь\n",
|
|
"\n",
|
|
"# Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"# Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"После обучения сети получите трёхмерные данные с выхода энкодера:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"encoded_3d = # Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Построим трёхмерную диаграмму рассеяния:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/",
|
|
"height": 653
|
|
},
|
|
"id": "RpqVg5EeT72I",
|
|
"outputId": "2f5e070d-aa49-4eab-cd8e-277bd3a2c4b5"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"fig = plt.figure(figsize=(10, 8))\n",
|
|
"ax = fig.add_subplot(111, projection='3d')\n",
|
|
"\n",
|
|
"scatter = ax.scatter(\n",
|
|
" xs=encoded_3d[:, 0],\n",
|
|
" ys=encoded_3d[:, 1],\n",
|
|
" zs=encoded_3d[:, 2],\n",
|
|
" c=y_multiclass,\n",
|
|
" cmap='viridis',\n",
|
|
" s=50\n",
|
|
")\n",
|
|
"\n",
|
|
"ax.grid(True, alpha=0.3)\n",
|
|
"\n",
|
|
"handles, labels = scatter.legend_elements(prop='colors', alpha=0.8)\n",
|
|
"ax.legend(handles, labels, loc='best', title='Classes')\n",
|
|
"\n",
|
|
"# Настраиваем угол обзора:\n",
|
|
"# elev — высота, azim — азимут\n",
|
|
"ax.view_init(elev=20, azim=45)\n",
|
|
"\n",
|
|
"plt.show()"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Сохраним в бинарные файлы `.npy` выходы энкодеров обеих моделей — для следующей лабораторной работы:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"np.save('encoded_2d.npy', encoded_2d)\n",
|
|
"np.save('encoded_3d.npy', encoded_3d)"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"## 3. Автоассоциативная нейронная сеть на неполных данных<a id=\"p_3\"></a>"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Выберите класс, который нужно исключить:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"label_to_exclude = # Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Создадим маску для исключения данных этого класса:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"id": "WwlU6wRqXy3H"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"mask_to_exclude = y_multiclass != label_to_exclude"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"Данные исключены:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"colab": {
|
|
"base_uri": "https://localhost:8080/"
|
|
},
|
|
"id": "I7sTKdWgQRWQ",
|
|
"outputId": "95d2a292-7e2f-401e-e473-7d5f09b0d7fb"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"X_data_tensor[mask_to_exclude].shape"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"По аналогии с предыдущим пунктом реализуйте обучение автоассоциативных сетей с двумя и тремя нейронами в «узком горле» на неполных данных (т.е. на каждой эпохе вместо полных данных `X_data_tensor` на модель нужно подавать неполные данные `X_data_tensor[mask_to_exclude]`).\n",
|
|
"\n",
|
|
"Результаты выходов энкодеров в обоих случаях также сохраните в отдельные бинарные файлы."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"# Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"# Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"metadata": {
|
|
"id": "w3kJHSW3azk0"
|
|
},
|
|
"outputs": [],
|
|
"source": [
|
|
"# Ваш код здесь"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Литература:\n",
|
|
"1. Бородкин А.А., Елисеев В.Л. Основы и применение искусственных нейронных сетей. Сборник лабораторных работ: методическое пособие. – М.: Издательский дом МЭИ, 2017.\n",
|
|
"2. MachineLearning.ru — профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru\n",
|
|
"3. Modern State of Artificial Intelligence — Online Masters program at MIPT: https://girafe.ai/"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
" "
|
|
]
|
|
}
|
|
],
|
|
"metadata": {
|
|
"colab": {
|
|
"provenance": []
|
|
},
|
|
"kernelspec": {
|
|
"display_name": "Python 3",
|
|
"language": "python",
|
|
"name": "python3"
|
|
},
|
|
"language_info": {
|
|
"codemirror_mode": {
|
|
"name": "ipython",
|
|
"version": 3
|
|
},
|
|
"file_extension": ".py",
|
|
"mimetype": "text/x-python",
|
|
"name": "python",
|
|
"nbconvert_exporter": "python",
|
|
"pygments_lexer": "ipython3",
|
|
"version": "3.7.3"
|
|
}
|
|
},
|
|
"nbformat": 4,
|
|
"nbformat_minor": 1
|
|
}
|