Wyniki wyszukiwania - BazTech

1

Wdrażanie użytkownika w tematykę programowania i sieci neuronowych

Błaszczuk Karolina, Piotrowski Zbigniew Marek

Elektronika : konstrukcje, technologie, zastosowania

|

2023

|

Vol. 64, Nr 9

10--14

PL

Programowanie oraz sztuczne sieci neuronowe są obecnie jednymi z najważniejszych dziedzin informatyki, które znajdują zastosowa nie w wielu obszarach życia, takich jak przetwarzanie obrazów, roz poznawanie mowy, czy też analiza finansowa [1]. W artykule zostały przedstawione podstawy programowania oraz budowy sieci neu ronowych, ze szczególnym uwzględnieniem biblioteki TensorFlow oraz środowiska Google Colab. Zaprezentowane zostały również dwie praktyczne koncepcje tworzenia modelu sieci neuronowej wraz z omówieniem specyfiki kodu. Artykuł jest przeznaczony dla początkujących inżynierów, którzy pragną rozpocząć swoją przy godę z programowaniem.

EN

Programming and artificial neural networks are now one of the most important areas of computer science, with applications in many areas of life, such as image processing, speech reco gnition or financial analysis. This paper will present the basics of programming and building neural networks, with a focus on the TensorFlow library and the Google Colab environment. It also discusses two practical concepts of creating a neural network model along with a discussion of the specifics of the code. The article is aimed at young engineers who wish to start their adventure in programming.

2

Neural networks from Keras in skin lesion diagnostic

Michalska-Ciekańska Magdalena

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2022

|

T. 12, nr 1

40--43

EN

Melanoma is currently one of the most dangerous skin diseases, in addition many others appear in the population. Scientists are developing techniques for early non-invasive skin lesions diagnosis from dermatoscopic images, for this purpose neural networks are increasingly used. Many tools are being developed to allow for faster implementation of the network, including the Keras package. The article presents selected methods of diagnosing skin diseases, including the process of classification, features selection, extracting the skin lesion from the whole image.The described methods have been implemented using deep neural networks available in the Keras package. The article draws attention to the effectiveness, specificity, accuracy of classification based on available data sets, attention was paid to tools that allow for more effective operation of algorithms.

PL

Melanoma jest obecnie jedną z najbardziej niebezpiecznych chorób skóry, oprócz niej pojawia się w populacji wiele innych. Naukowcy rozwijają techniki wczesnego nieinwazyjnego diagnozowania zmian skórnych z obrazów dermatoskopowych, w tym celu coraz częściej wykorzystywane są sieci neuronowe. Powstaje wiele narzędzi powzalajcych na szybszą implementację sieci należy do niej pakiet Keras. W artykule przedstawiono wybrane metody diagnostyki chorób skóry, należy do nich proces klasyfikacji, selekcji cech, wyodrębnienia zmiany skórnej z całego obrazu. Opisane metody zostały zostały zaimplementowane za pomocą dostępnych w pakiecie Keras głębokich sieci neuronowych. W artykule zwrócono uwagę na skuteczność, specyficzność, dokładność klasyfikacji w oparciu o dostępne zestawy danych, zwrócono uwagę na narzędzi pozwalające na efektywniejsze działanie algorytmów.

3

Time series forecasting using the LSTM network

Pęczek Mateusz, Litawa Grzegorz

Journal of Engineering, Energy and Informatics

|

2021

|

No. 1

116--120

EN

Predicting time series is currently one of the problems that can be solved through the use of machine learning methods. A time series is a set of data points in which the sequence is measured at equal time intervals. Predicting the value of the time series can influence your decisions or help you achieve better results. Stock quotes are an example of a time series - the purpose of the created model is attempt to predict their value. One solution to the problem of predicting the results of the time series is the LSTM network. The network contains layered LSTM cells that have the ability to use previously observed relationships in the data set. The number of LSTM layers and cells in each layer is dependent on the designer and is selected based on expert knowledge. The results obtained from the model may seem correct and close to the real ones. Regardless of what values we get and how high the accuracy of the model will be, it should be remembered that stock prices are influenced by parameters and events that cannot be predicted. The predicted values obtained from the model should be treated as a guide or reference information. Stock quotes may change under the influence of geopolitical situations, company involvement, armed conflict or other random and unpredictable phenomenon, therefore, when making decisions, the results of the model should not be taken for granted.

PL

Przewidywanie szeregów czasowych jest obecnie jednym z problemów, które mogą zostać rozwiązane poprzez zastosowanie metod uczenia maszynowego. Szeregiem czasowym nazwiemy zbiór danych, w których pomiar odbywał się w jednakowych odstępach czasu. Przewidywanie wartości szeregu czasowego może wpłynąć na podejmowane decyzje lub pomóc w osiąganiu lepszych wyników. Przykładem szeregu czasowego są notowania giełdowe - celem utworzonego modelu jest próba przewidywania ich wartości. Jednym z rozwiązań problemu przewidywania wyników szeregów czasowych jest sieć LSTM. Sieć zawiera warstwowo ułożone komórki LSTM, które mają zdolność do wykorzystywania wcześniej zaobserwowanych zależności występujących w zbiorze danych. Liczba warstw i komórek LSTM w każdej warstwie jest zależna od projektanta i dobiera się ją w oparciu o wiedzę ekspercką. Wyniki otrzymane z modelu mogą wydawać się poprawne i zbliżone do rzeczywistych. Niezależnie od tego, jakie wartości otrzymamy i jak duża będzie dokładność modelu, należy pamiętać, że na notowania giełdowe wpływ mają parametry i zdarzenia, których nie da się przewidzieć. Wartości przewidywane, otrzymane z modelu, należy traktować jako pomoc lub informacje poglądowe. Notowania giełdowe mogą zmieniać się pod wpływem sytuacji geopolitycznej, upadku firmy, konfliktu zbrojnego lub innego losowego i niemożliwego do przewidzenia zjawiska, dlatego przy podejmowaniu decyzji nie należy traktować wyników modelu jako pewne.

4

Towards a new deep learning algorithm based on GRU and CNN : NGRU

Atassi Abdelhamid, el Azami Ikram

Journal of Automation Mobile Robotics and Intelligent Systems

|

2020

|

Vol. 14, No. 4

45--47

EN

This paper describes our new deep learning system based on a comparison between GRU and CNN. Initially we start with the first system which uses Convolutional Neural Network (CNN) which we will compare with the second system which uses Gated Recurrent Unit (GRU). And through this comparison we propose a new system based on the positive points of the two previous systems. Therefore, this new system will take the right choice of hyper-parameters recommended by the authors of both systems. At the final stage we propose a method to apply this new system to the dataset of different languages (used especially in socials networks).

5

BCT Boost Segmentation with U-net in TensorFlow

Wieczorek Grzegorz, Antoniuk Izabella, Kurek Jarosław, Świderski Bartosz, Kruk Michał, Pach Jakub, Orłowski Arkadiusz

Machine Graphics and Vision

|

2019

|

Vol. 28, No. 1/4

25--34

EN

In this paper we present a new segmentation method meant for boost area that remains after removing the tumour using BCT (breast conserving therapy). The selected area is a region on which radiation treatment will later be made. Consequently, an inaccurate designation of this region can result in a treatment missing its target or focusing on healthy breast tissue that otherwise could be spared. Needless to say that exact indication of boost area is an extremely important aspect of the entire medical procedure, where a better definition can lead to optimizing of the coverage of the target volume and, in result, can save normal breast tissue. Precise definition of this area has a potential to both improve the local control of the disease and to ensure better cosmetic outcome for the patient. In our approach we use U-net along with Keras and TensorFlow systems to tailor a precise solution for the indication of the boost area. During the training process we utilize a set of CT images, where each of them came with a contour assigned by an expert. We wanted to achieve a segmentation result as close to given contour as possible. With a rather small initial data set we used data augmentation techniques to increase the number of training examples, while the final outcomes were evaluated according to their similarity to the ones produced by experts, by calculating the mean square error and the structural similarity index (SSIM).