Методи негладкої оптимізації для роз”вязання задачі кластеризації
Тип публікації :
Бакалаврська робота
Дата випуску :
2022
Автор(и) :
Цубін Софія
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Цубін, С. (2022). Методи негладкої оптимізації для роз”вязання задачі кластеризації [Бакалаврська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/123456789/3236
[ДСТУ] Цубін С. Методи негладкої оптимізації для роз”вязання задачі кластеризації : кваліфікаційна робота бакалавра : 12 Інформаційні технології / наук. кер. В. О. Стовба. Київ, 2022. 54 с. URL: https://ir.library.knu.ua/handle/123456789/3236 (дата звернення: 25.07.2026).
Об’єктом дослідження є задача кластеризації, поставлена у вигляді оптимізаційної задачі задля розв’язання за допомогою субградієнтних методів.
Метою кваліфікаційної роботи є дослідження придатності методів негладкої оптимізації для вирішення задачі кластеризації.
Мовою для імплементації досліджуваних алгоритмів і цільових функцій було обрано Python. Використане середовище розробки — Google Colab. Були
використані бібліотека для наукових обчислень NumPy, бібліотека Matplotlib для візуалізації графіків, бібліотека scikit-learn для порівняння з аналогами.
В роботі показано, що метод еліпсоїдів та r-алгоритм придатні для розв’язання поставленої задачі, оскільки цільові функції є квазіопуклими. Однак через порушення строгої опуклості і яружність функцій робота алгоритмів не завжди є максимально ефективною.
Застосування методів негладкої оптимізації представляє інтерес в контексті задач машинного навчання, навчання нейронних мереж, глибокому навчанні, а також певний науковий інтерес. Результати цієї роботи можуть стати в нагоді при вирішенні інших задач з цієї галузі, де постає необхідність мінімізувати негладкі і не строго опуклі функції.
Метою кваліфікаційної роботи є дослідження придатності методів негладкої оптимізації для вирішення задачі кластеризації.
Мовою для імплементації досліджуваних алгоритмів і цільових функцій було обрано Python. Використане середовище розробки — Google Colab. Були
використані бібліотека для наукових обчислень NumPy, бібліотека Matplotlib для візуалізації графіків, бібліотека scikit-learn для порівняння з аналогами.
В роботі показано, що метод еліпсоїдів та r-алгоритм придатні для розв’язання поставленої задачі, оскільки цільові функції є квазіопуклими. Однак через порушення строгої опуклості і яружність функцій робота алгоритмів не завжди є максимально ефективною.
Застосування методів негладкої оптимізації представляє інтерес в контексті задач машинного навчання, навчання нейронних мереж, глибокому навчанні, а також певний науковий інтерес. Результати цієї роботи можуть стати в нагоді при вирішенні інших задач з цієї галузі, де постає необхідність мінімізувати негладкі і не строго опуклі функції.
Галузі знань та спеціальності :
12 Інформаційні технології
121 Інженерія програмного забезпечення
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.22 MB
Контрольна сума :
(MD5):5b8a80a4cdc8076b00cf2da52cc29f9b
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International