簡易檢索 / 詳目顯示
| 研究生： |
李毅信 LI,YI-SIN |
|---|---|
| 論文名稱： |
機器學習方法在蝴蝶辨識中之比較 The Comparison of Machine Learning Methods in Butterfly Identification |
| 指導教授： | 洪盟凱 |
| 口試委員: | |
| 學位類別： |
碩士 Master |
| 系所名稱： |
理學院 - 數學系 Department of Mathematics |
| 論文出版年： | 2019 |
| 畢業學年度： | 107 |
| 語文別： | 中文 |
| 論文頁數： | 58 |
| 中文關鍵詞： | 影像辨識 、K 最近鄰居分類法 、多層感知神經網路 、支持向量機 、卷積神經網路 |
| 相關次數： | 點閱：14 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
本研究旨在探討「K 最近鄰居分類法(KNN) 」、「多層感知神經網路(MLP)」、 「支持向量機(SVM)」與卷積神經網路經典模型: 「LENET」與「ALEXNET」在圖像辨識上的訓練結果之差異。
本實驗的蝴蝶圖像取自ImageNet，共8500張圖片，並自製成數據樣本集，將訓練集分別帶入上述模型後，觀察個別訓練時間及訓練準確率之差異，並在迭代結果上進行比較。而後再進一步探討影響訓練結果的原因。最後將測試集放入訓練好的模型進行預測，觀察測試集準確率，分析探討影響預測結果的因素。
The goal of this thesis is to explore the training results of “K Nearest Neighbor”, “multilayer perceptual neural network” , “Support Vector Machine” and the classic model of Convolutional neural network: “LENET” and “ALEXNET” in image recognition.
The butterfly images in this experiment are from ImageNet which is the largest database of image recognition. First, we bring the training data into our models, and observe the difference between training time and training accuracy for each model, then compare the iterative results. Next,we give the reasons that affect the training results. Finally, we put the test set into the trained model for prediction.We observe the accuracy of the test set, and analyzed the factors affecting the prediction.
[1]. 周志華(2016)。機器學習。清華大學出版社。
[2]. 蘇木春，張孝德。機器學習：類神經網絡、模糊系統以及基因演算法則。 全華圖書股份有限公司。
[3]. 林大貴 (2017)。TensorFlow + Keras 深度學習人工智慧實務應用。博碩出版社。
[4]. 黃安埠(2017)。深入淺出深度學習-原理剖析與python實踐。電子工業出版社。
[5]. 鄭澤宇，顧思宇(2017)。實戰Google深度學習技術，使用Tensorflow。電子工業出版社。
[6]. 斎藤康毅 (2017)。Deep Learning – 用Python進行深度學習的基礎理論實作。碁峰資訊股份有限公司。 6
[7]. Nikhil Buduma (2018)。Deeping Learning 深度學習基礎¬¬ – 設計下一代工智慧演算法。碁峰資訊股份有限公司。 7
[8]. Deeping Learning 深度學習基礎¬¬ - 設計下一代人工智慧演算法。碁峰資訊股份有限公司。
[9]. 葉怡成(1999)。應用類神經網路。儒林圖書公司。
[10]. 葉怡成(2004)。類神經網路 - 模式應用與實作。儒林圖書公司。
[11]. 李宏毅 (2016)。Machine Learning。取自http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML16.html。
[12]. JerryLead(2011)。支持向量機SVM，2011年3月13日，取自http://www.cnblogs.com/jerrylead/archive/2011/03/13/1982639.html。
[13]. July(2012)。支持向量機通俗導論(理解SVM的三層境界)。取自https://blog.csdn.net/v_july_v/article/details/7624837。
[14]. Li, T. S. (2006). Feature Selection for Classification by Using a Ga-Based Neural Network Approach. Journal of the Chinese Institute of Industrial Engineers, 23,55-64.
[15]. Michael, J. A., and Gordon, B. S., Data Mining Techniques: for marketing, sales, and customer support” John Wiley and Sons, 1997
[16]. Baesens, B., Van Gestel, T., Viaene, S., Stepanova, M., Suykens, J., and Vanthienen J.(2003). Benchmarking state-of-the-art classification algorithms for credit scoring. Journal of the Operational Research Society, 54(6), 627-635.
[17]. Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). ImageNet: A Large-Scale Hierarchical Image Database. In CVPR09.
[18]. Duchi, J., Hazan, E., and Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic optimization. Journal of Machine Learning Research,2121-2159.
[19]. Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). ImageNet: A Large-Scale Hierarchical Image Database. In CVPR09.
