¶ Задание
¶ 1. Изучение примеров.
Изучите материалы.
¶ 2. Загрузка и подготовка данных
- В соответствии с индивидуальным вариантом загрузите предобработанные датасеты в формате CSV для решения задач регрессии и классификации.
- К данным примените кросс-валидацию
k-fold. - Выполните оптимизацию признакового пространства в датасетах.
¶ 3. Решение задачи регрессии и классификации с помощью FCNN
- Используйте FCNN (MLP) из библиотеки Scikit-learn.
- Подберите гиперпараметры для алгоритма нейронной сети (НС) тремя способами:
Optuna,RandomizedSearchCV,Hyperopt. - Используйте оптимизаторы:
Adam,SGD(стохастический градиентный спуск),lbfgs(оптимизация с использованием алгоритмаBFGS).
- Подберите гиперпараметры для алгоритма нейронной сети (НС) тремя способами:
- Используйте FCNN посредством API Keras и фреймворка TensorFlow.
- Подберите гиперпараметры для алгоритма НС тремя способами:
Optuna,KerasTuner,Ray Tune. - Используйте оптимизаторы: Adam, SGD (стохастический градиентный спуск), RMSprop
- Подберите гиперпараметры для алгоритма НС тремя способами:
¶ 4. Визуализация
- Выведите архитектуры созданных НС.
- Выведите графики обучения моделей (график потерь, график точности по эпохам).
¶ 5. Оценка качества моделей
Вычислите значения метрик оценки качества для обученных моделей регрессии и классификации.
¶ Для студентов Моисеевой Н. А.
Полученные значения отобразите в табличной форме для задачи регрессии (см. образец). Для задачи классификации следует построить аналогичную таблицу.
¶ 6. Инференс модели
Создайте по одному запросу с целью получения прогноза для задачи регрессии и задачи классификации (см. Lab7_Ex2_MLP_Scikit-learn.ipynb).
¶ 7. Реализация многослойного перцептрона
Для студентов Гуненкова М. Ю. и Шаруна И. В.
С использованием библиотеки numpy реализуйте на Python многослойный перцептрон.
- Предусмотреть возможность выбора количества слоёв
- Предусмотреть возможность выбора функции активации для каждого слоя
- Предусмотреть возможность выбора функции потерь
- Допускается использование библиотек для работы с алгеброй (numpy на python).
- Саму реализацию нужно декомпозировать на отдельные классы:
- Класс слоя прямого распространения (аффинное преобразование: WX+b), где задаётся количество нейронов на слое.
- Классы слоёв, представляющих собой функций активации: ReLU, Tanh, Sigmoid, достаточно одной.
- Класс сети прямого распространения, принимающий список слоёв.
- Класс оптимизатора (градиентный спуск). Т.е. способ оптимизации не вшит в сеть, он задаётся “снаружи”.
Решите задачи регресссии и классификации на ваших данных с использованием вашей реализации многослойного перцептрона. Сравните метрики.
Эта часть задания будет оцениваться в первую очередь. Не доверяйте её выполнение большим языковым моделям
¶ 8. Вывод
Напишите вывод о выполненной Лабораторной работе, в котором выберите лучшую модель регрессии и классификации, реализованные с помощью FCNN, и обоснуйте свое решение. Сравните полученные результаты с моделями ML, полученными в предыдущих Лабораторных работах.