Лабораторные работы по машинному обучению

Репозиторий содержит шесть лабораторных работ по нейронным сетям, кластеризации и обработке данных.

Автор: Никитин Дмитрий, группа 4217.

Содержание

Работа	Тема	Основные методы
Лабораторная №1	Классификация отзывов IMDb	Embedding, полносвязная сеть
Лабораторная №2	Восстановление показаний датчиков	LSTM, линейная интерполяция
Лабораторная №3	Кластеризация Iris	Сеть Хопфилда, K-Means
Лабораторная №4	Кластеризация регионов России	Карта Кохонена, K-Means
Лабораторная №5	Классификация изображений цветов	Свёрточная нейронная сеть
Лабораторная №6	Классификация Fruits 360	MobileNetV2, InceptionV3, DenseNet121

Галерея работ

Лабораторная №1 — архитектура нейронной сети

Лабораторная №2 — восстановление сигнала

Лабораторная №3 — кластеризация Iris

Лабораторная №4 — самоорганизующаяся карта

Лабораторная №5 — распознавание цветов

Лабораторная №6 — перенос обучения

Запуск

1. Установите Jupyter Notebook или JupyterLab.
2. Установите библиотеки, необходимые для выбранной лабораторной. В работах используются numpy, pandas, matplotlib, scikit-learn и tensorflow; для лабораторной №4 также нужен minisom, для №6 — seaborn и kaggle.
3. Подготовьте датасет по инструкции в README соответствующей работы.
4. Откройте блокнот и последовательно выполните его ячейки.

Датасеты занимают много места и должны храниться локально. Полученные графики, блокноты и отчёты находятся в репозитории.