Statisztikát és információelméletet integráló mértéket alkalmazó dinamikus algoritmus mesterséges neurális hálózat tanítására - TDK dolgozat

A Mesterséges Intelligencia és az Adattudomány széles körben elterjed módszerei között
tartják számon a mesterséges neurális hálózatok használatát.
Ezen modell felépítésének fontos kulcseleme a hálózat súlyainak tanítása, beállítása algoritmikus
módszerekkel. Jelen TDK dolgozat egy új tanítómérték és egy új algoritmus részletes
elemzését t˝uzi ki célul. Ez a módszer a tanítás, mint optimalizálási problémának a megoldására
a Levenberg-Marquardt (LM) algoritmust használja egy fontos újítással módosítva. A hiba,
eltérés méréséreaz adattudományban elterjedten használt (átlagos) négyzetes hiba (MSE) helyett
a kutatás Silva et al. (2008) által bemutatott integrált exponenciális hiba továbbfejlesztett
változatát, az újonnan bevezetett abszolútértékes exponenciális hibát alkalmazza, valamint az
LM elgoritmust is kiegészíti új elemekkel.
Ez a többszörösen továbbfejlesztett algoritmus nagyszámú benchmark adathalmazon került
tesztelésre. A dolgozat ennek a tesztelésnek több f˝o szempontjai szerint, mint pontosság,
sebesség, stabilitás kiértékelését mutatja be, ezeken kívül beszámol a témához kapcsolódó
releváns tudományos irodalomban fellelhet˝o state-of-the-art eredményhez képest elért jobb
algoritmikus teljesítményr˝ol is.
(A szerz˝o az alapötlet korábbi változatát és más aspektusait BSc szakdolgozatában (Sz˝ucs
(2020)) és korábbi TDK (Sz˝ucs (2021)) dolgozatában is vizsgálta.)