Keinotekoiset neuroverkot luokitteluongelmissa

Abstract

Tämä kandidaatintyö koostuu teoriaosasta sekä kokeellisesta osiosta. Työn koostuessa sekä teoriaosasta että kokeellisesta osiosta, lukijalle tarjotaan teoriaosiossa pintaraapaisu tiedonlouhinnan sekä keinotekoisten neuroverkkojen pariin. Kerrottaessa tiedonlouhinnasta esitellään tiedonlouhinnan merkitystä nykypäivän yhteiskunnalle, jossa kerättävän ja varastoitavan datan määrä kasvaa lähes eksponentiaalisella vauhdilla. Tiedonlouhinnan yhteydessä esitellään kolme tyypillistä tiedonlouhinnan tuottamaa mallia sekä esitellään tiedonlouhinnassa käytettävä CRISP-DM-toimintamalli, jonka avulla tiedonlouhintaprosessit saavat kronologisesti etenevät suuntaviivat. Tiedonlouhinnan lisäksi työssä esitellään keinotekoisten neuroverkkojen keskeisimpiä periaatteita perehtymällä siihen, miten keinotekoiset neuroverkot todellisuudessa rakentuvat, oppivat ja vaikuttavat eri sovellusten kautta ihmisten elämään. Keinotekoisten neuroverkkojen luokittelukykyä havainnollistetaan työn kokeellisessa osiossa, jota varten työhön on etsitty luokittelua vaativa aineisto. Kokeellisessa osiossa esitellään yksi mahdollisista neuroverkkoluokittimen muodostamistavoista hyödyntäen numeerisen laskennan tietokoneohjelmisto MATLAB®:ia. MATLAB® tarjoaa suoraviivaisen menettelytavan keinotekoisten neuroverkkojen opettamiseen tietyn luokitteluongelman ratkaisemiseksi. Kokeellisen osion lopussa neuroverkkoluokittimen avulla saatua lopputulosta arvioidaan, jonka perusteella laaditaan yhteenveto keinotekoisten neuroverkkojen käytettävyydestä erilaisten luokitteluongelmien yhteydessä.