magistrsko delo
Filip Glojnarić (Author), Iztok Fister (Mentor), Lucija Brezočnik (Co-mentor)

Abstract

This master thesis is focusing on the utilization of nature-inspired algorithms for hyperparameter optimization, how they work and how to use them. We present some existing methods for hyperparameter optimization as well as propose a novel method that is based on six different nature-inspired algorithms: Firefly algorithm, Grey Wolf Optimizer, Particle Swarm Optimization, Genetic algorithm, Differential Evolution, and Hybrid Bat algorithm. We also show the optimization results (set of hyperparameters) for each algorithm and we present the plots of the accuracy for each combination and handpicked one. In discussion of the results, we provide the answers on our research questions as well as propose ideas for future work.

Keywords

artificial intelligence;artificial neural networks;machine learning;nature-inspired algorithms;evolutionary algorithms;

Data

Language: English
Year of publishing:
Typology: 2.09 - Master's Thesis
Organization: UM FERI - Faculty of Electrical Engineering and Computer Science
Publisher: [F. Glojnarić]
UDC: 004.8.021(043.2)
COBISS: 22917398 Link will open in a new window
Views: 1054
Downloads: 90
Average score: 0 (0 votes)
Metadata: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Other data

Secondary language: Slovenian
Secondary title: Algoritmi po vzorih iz narave za optimizacijo hiperparametrov
Secondary abstract: V magistrskem delu smo se osredotočili na uporabo algoritmov po vzorih iz narave za optimizacijo hiperparametrov. Predstavili smo strojno učenje, optimizacijske metode in podrobneje šest algoritmov po vzorih iz narave. Ti so algoritem kresnic, algoritem sivega volka, algoritem roja delcev, genetski algoritem, diferencialna evolucija, algoritem po vzoru obnašanja netopirjev in njegova hibridna različica. Pregled literature je pokazal, da so omenjeni algoritmi zelo uporabni pri optimizaciji hiperparametrov, zato nas je analiza spodbudila k predlaganju lastne metode. Sicer so osnovni pristopi, ki se običajno uporabljajo za optimizacijo hiperparametrov, ročno iskanje, Grid search in Bayesove metode. Naša metoda temelji na šestih algoritmih po vzorih iz narave. Z njo skušamo poiskati optimalen nabor hiperparametrov za umetno nevronsko mrežo. Funkcija uspešnosti temelji na točnosti klasifikacije. Kandidatne rešitve so predstavljene kot vektorji realnih števil. Struktura umetne nevronske mreže je z enim skritim slojem, druge nastavitve pa so privzete (razen tistih, ki jih optimiziramo). Program je bil napisan v programskem jeziku Python. Programske knjižnice, ki smo jih uporabili, so Scikit-learn in NiaPy. Eksperiment smo izvedli na treh različnih množicah podatkov in ga zagnali na prenosnem računalniku Dell s 2,67 GHz procesorjem in 4,00 GB pomnilnikom. Operacijski sistem je Windows 10 Education. Za vsak algoritem smo nastavili zaključni pogoj na 10000 ovrednotenj funkcije uspešnosti in velikost populacije na 100 posameznikov. Rezultati nakazujejo, da je uporaba naše metode za HPO učinkovita. Nad dvema množicama podatkov je hibridna različica po vzoru obnašanja netopirjev dosegla najboljši rezultat, nad eno množico podatkov pa je najboljši rezultat dosegel algoritem kresnic. V prihodnosti želimo našo rešitev kot storitev objaviti na spletu. Dodatno bi lahko s tehnikami adaptacije in hibridizacije izboljšali osnovne algoritme po vzorih iz narave, ki smo jih uporabili v tem magistrskem delu.
Secondary keywords: umetna inteligenca;umetne nevronske mreže;strojno učenje;algoritmi po vzorih iz narave;evolucijski algoritmi;magistrske naloge;
Type (COBISS): Master's thesis/paper
Thesis comment: Univ. v Mariboru, Fak. za elektrotehniko, računalništvo in informatiko, Informatika in tehnologije komuniciranja
Pages: XII, 59 f.
ID: 11285565