georgiydemo / coursepapercifar10

Курсовая работа по теме «Машинное обучение в задачах распознавания объектов на фотографии»

MLCoursepaper

Курсовая работа, где я сравнивал алгоритмы классического обучения с алгоритмами глубокого обучения (ANN, CNN) на 3-х разных датасетах

Ноутбуки

• CIFAR-10
• Stanford cars
• Собственный датасет с Drom.ru

Итоги

Сравнение классических алгоритмов

	CIFAR-10		Drom.ru		Stanford cars
Алгоритм	Точность	Время, сек	Точность	Время, сек	Точность	Время, сек
SVC	46%	1986.03	24%	361.42	35%	1.06
RandomForestClassifier	44%	6296.49	25%	1340.82	29%	71.4
LogisticRegression	29%	557.37	21%	534.2	22%	12.69
KNeighborsClassifier	28%	16.5	21%	3.18	28%	0.11
SGDClassifier	24%	1004.74	20%	1431.24	24%	32.73
MultinomialNB	23%	0.51	16%	0.3	29%	0.05

Сравнение по общей эффективности (точность/время)

Классические алгоритмы	Классические + глубокие алгоритмы

Если важна точность, то предпочтительным будет использование машины опорных векторов (SVM) из классических алгоритмов обучения и сверточной нейросети (CNN) из глубоких.

Если важна скорость, то можно использовать наивный байесовский классификатор (Naive Bayes classifier) или метод k-ближайших соседей (k-nearest neighbors).

Интересные наблюдения

Самые популярные и самые редкие автомобили в собранном датасете

Популярные	Редкие

Производительность OpenCV и PIL

По операциям	Общая

Ноутбук

Датасеты

Датасет для StanfordCars

Собственноручно собранный датасет с Drom.ru