Andere Kunden interessierten sich auch für
![Identification of Hostile TCP Traffic using Support Vector Machines]( "Identification of Hostile TCP Traffic using Support Vector Machines")
Identification of Hostile TCP Traffic using Support Vector Machines32,99 €![Entwicklung und Laborexperiment von Convolutional Neural Networks mit Variationscharakteristik für fortschrittliche Cybersicherheitsanalysen]( "Entwicklung und Laborexperiment von Convolutional Neural Networks mit Variationscharakteristik für fortschrittliche Cybersicherheitsanalysen")
Entwicklung und Laborexperiment von Convolutional Neural Networks mit Variationscharakteristik für fortschrittliche Cybersicherheitsanalysen47,95 €![Convolutional Neural Networks (CNN). Eigenschaften und Lernalgorithmen]( "Convolutional Neural Networks (CNN). Eigenschaften und Lernalgorithmen")
Convolutional Neural Networks (CNN). Eigenschaften und Lernalgorithmen16,95 €![Künstliche Intelligenz in Data-Mining-Techniken]( "Künstliche Intelligenz in Data-Mining-Techniken")
Künstliche Intelligenz in Data-Mining-Techniken43,90 €![Neuro-Fuzzy-Methoden]( "Neuro-Fuzzy-Methoden")
Neuro-Fuzzy-Methoden54,99 €![Praktikum Neuronale Netze]( "Praktikum Neuronale Netze")
Praktikum Neuronale Netze49,95 €![Neuronale Netze für technische Anwendungen]( "Neuronale Netze für technische Anwendungen")
Neuronale Netze für technische Anwendungen54,99 €
Studienarbeit aus dem Jahr 2024 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1,3, IU Internationale Hochschule, Veranstaltung: Künstliche Intelligenz, Sprache: Deutsch, Abstract: Die vorliegende Hausarbeit beschäftigt sich mit der Vorstellung des Themas Schrifterkennung und dem Vergleich von zwei Algorithmen zur Schrifterkennung in der Performance. Die hier untersuchte Forschungsfrage ist, welche zwei Algorithmen für diese Aufgabe geeignet sind und wie sie im direkten Vergleich auf einem Datensatz abschneiden. Um die Forschungsfrage zu beantworten, werden zuerst die Hintergründe und Funktionsweisen von zwei Algorithmen vorgestellt, die für diese Klassifizierungsaufgabe geeignet sind. Anschließend wurden Modelle am MNIST-Datensatz trainiert und verglichen. Hierbei werden neben der Trainingszeit insbesondere die Metriken Precision, Recall und F1-Score berücksichtigt. Zudem in der Online-Bibliothek der IU nach den Schlagworten ¿Minst¿, ¿Support-Vector-Maschine¿, ¿Text-Recognition¿, ¿Text-Erkennung¿, ¿Convolutional Neuronal Network¿ und ¿Mustererkennung¿ recherchiert. Der Hauptteil gliedert sich in drei Teile. Im ersten Teil wird erörtert, was man Schrifterkennung versteht und welche Herausforderungen hierbei auftreten. Als konkretes Beispiel wird der MNIST-Datensatz vorgestellt, der später auch als Referenzdatensatz zum Vergleich der Algorithmen verwendet wird. Im zweiten Teil des Hauptteils werden zwei Algorithmen vorgestellt, die zur Schrifterkennung genutzt werden können: die Support Vector Machine (SVM) und ein Convolutional Neuronal Network (CNN). Konkret wird zudem für jeden Algorithmus gezeigt, wie mit der Programmiersprache Python ein Model erstellt und trainiert werden kann. Im vierten Kapitel werden schließlich die Metriken der Modelle gegenübergestellt. Die Arbeit endet mit einer Zusammen und einem Fazit.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.