Задания для самостоятельной работы 1. Запустите обучение SimpleDocCNN на RVL-CDIP и зафиксируйте итоговую метрику val accuracy (последняя эпоха). 2. Постройте confusion matrix и найдите 2 класса, к...

Содержание

ВВЕДЕНИЕ

Актуальность: данный проект важен для понимания работы нейронных сетей и их применения в классификации документов. Он помогает научиться оценивать качество модели и выявлять слабые места. Такой опыт полезен для развития навыков работы с современными технологиями. Проект способствует развитию аналитического мышления и практических навыков в области искусственного интеллекта.

Проблема: обучение нейронной сети на большом датасете требует значительных вычислительных ресурсов и правильной настройки. Необходимо определить эффективность модели по итогам обучения и выявить наиболее часто ошибочные классы. Важно понять, как визуализировать и интерпретировать результаты работы сети. Также нужно научиться строить матрицу ошибок для анализа ошибок модели.

Цель: изучить процесс обучения нейронной сети SimpleDocCNN на датасете RVL-CDIP, зафиксировать итоговую точность модели и построить матрицу ошибок для выявления наиболее часто ошибочных классов.

Задачи:

1. 1) Запустить обучение модели SimpleDocCNN на датасете RVL-CDIP и зафиксировать итоговую метрику val accuracy.
2. 2) Построить confusion matrix для анализа ошибок модели.
3. 3) Выбрать два класса с наибольшим количеством ошибок и проанализировать причины их неправильной классификации.
4. 4) Провести социальный опрос;
5. 5) Подвести итоги.

Предмет исследования: обучение и анализ нейронной сети для классификации документов.

Объект исследования: датасет RVL-CDIP и модель SimpleDocCNN.

Гипотеза: правильная настройка модели и анализ ошибок позволяют повысить точность классификации и понять слабые места нейронной сети.

Методы исследования:

1. 1) Анализ научной литературы и онлайн-источников.
2. 2) Сравнение и сопоставление полученных данных.
3. 3) Социологический опрос.