Vergleichende Analyse zwischen Support Vector Machines und Convolutional Neural Networks zur Texterkennung im MNIST-Datensatz - Heribert Tellerfink

Blick ins Buch

Vergleichende Analyse zwischen Support Vector Machines und Convolutional Neural Networks zur Texterkennung im MNIST-Datensatz (eBook)

Analyse von Algorithmen an einer Problemstellung zur Mustererkennung

Heribert Tellerfink (Autor)

eBook Download: PDF

2024 | 1. Auflage
19 Seiten
GRIN Verlag
9783389035467 (ISBN)

Lese- und Medienproben

Ebook-Leseprobe (PDF)

Studienarbeit aus dem Jahr 2024 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1,3, (IU Internationale Hochschule), Veranstaltung: Künstliche Intelligenz, Sprache: Deutsch, Abstract: Die vorliegende Hausarbeit beschäftigt sich mit der Vorstellung des Themas Schrifterkennung und dem Vergleich von zwei Algorithmen zur Schrifterkennung in der Performance. Die hier untersuchte Forschungsfrage ist, welche zwei Algorithmen für diese Aufgabe geeignet sind und wie sie im direkten Vergleich auf einem Datensatz abschneiden. Um die Forschungsfrage zu beantworten, werden zuerst die Hintergründe und Funktionsweisen von zwei Algorithmen vorgestellt, die für diese Klassifizierungsaufgabe geeignet sind. Anschließend wurden Modelle am MNIST-Datensatz trainiert und verglichen. Hierbei werden neben der Trainingszeit insbesondere die Metriken Precision, Recall und F1-Score berücksichtigt. Zudem in der Online-Bibliothek der IU nach den Schlagworten 'Minst', 'Support-Vector-Maschine', 'Text-Recognition', 'Text-Erkennung', 'Convolutional Neuronal Network' und 'Mustererkennung' recherchiert. Der Hauptteil gliedert sich in drei Teile. Im ersten Teil wird erörtert, was man Schrifterkennung versteht und welche Herausforderungen hierbei auftreten. Als konkretes Beispiel wird der MNIST-Datensatz vorgestellt, der später auch als Referenzdatensatz zum Vergleich der Algorithmen verwendet wird. Im zweiten Teil des Hauptteils werden zwei Algorithmen vorgestellt, die zur Schrifterkennung genutzt werden können: die Support Vector Machine (SVM) und ein Convolutional Neuronal Network (CNN). Konkret wird zudem für jeden Algorithmus gezeigt, wie mit der Programmiersprache Python ein Model erstellt und trainiert werden kann. Im vierten Kapitel werden schließlich die Metriken der Modelle gegenübergestellt. Die Arbeit endet mit einer Zusammen und einem Fazit.

Erscheint lt. Verlag	12.6.2024
Verlagsort	München
Sprache	deutsch
Themenwelt	Mathematik / Informatik ► Informatik ► Netzwerke
Themenwelt	Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik
Schlagworte	KI • Künstliche Intelligenz • MNIST • Mustererkennung • Neuronale Netzwerke • Support Vector Machines
ISBN-13	9783389035467 / 9783389035467

Informationen gemäß Produktsicherheitsverordnung (GPSR)
Haben Sie eine Frage zum Produkt?

PDF (Ohne DRM)

Digital Rights Management: ohne DRM
Dieses eBook enthält kein DRM oder Kopierschutz. Eine Weitergabe an Dritte ist jedoch rechtlich nicht zulässig, weil Sie beim Kauf nur die Rechte an der persönlichen Nutzung erwerben.

Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.

Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.

Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.

Print-Ausgabe

Buch | Softcover