13. Выводы по разделу

В четвертом разделе проведен подробный обзор приложения, продемонстрирована работа на примере двух задач — классификация изображений и классификация текста.

Заключение

Целью работы было создание приложения для упрощения разработки нейронных сетей. В ходе работы были подробно рассмотрены выбранные задачи машинного обучения, проведен анализ существующих решений, приведен обзор состояния науки о данных и машинного обучения, описаны требования к приложению, после чего разработано приложение со следующими характеристиками:

1. Поддерживается многопроектная работа, в основной рабочей области отображаются вкладки проектов.

2. Проект содержит блоки с текстом (для комментирования) и блоки с кодом и выводом на языке CPython.

3. Блоки кода на CPython можно выполнять, останавливать выполнение; также можно перезапускать ядро интерпретатора.

4. Проекты могут разделяться и объединяться по средам исполнения, выполнение блоков кода происходит в среде проекта.

5. Все возможные на CPython графические приложения исполняются в естественной среде и не требует дополнительной поддержки со стороны приложения.

6. Имеются вкладки: «Наборы данных», «Архитектуры», «Обучение, валидация и тестирование», «Визуализация», «Экспорт».

На каждой вкладке представлены соответствующие разделы (в виде блоков с названиями) с шаблонами (в виде кнопок). Пользователь может добавлять разделы и шаблоны, изменять их и удалять.

7. В текстовых блоках поддерживаются форматы Markdown и HTML.

Среди дальнейших путей развития можно выделить:

1. Добавление интеллектуальных подсказок по коду.

2. Добавление поддержки файлов различных форматов (txt, csv и др.).

3. Добавление возможностей отладки.

4. Добавление поддержки IPython-Notebook, LaTeX, reStructuredText.

Список использованных источников

1. John McCarthy. FAQ: «What is artificial intelligence?». 2007. URL: http://www-formal.stanford.edu/jmc/whatisai/node1.html (Дата обращения: 01.06.2022)

2. Симанков Владимир Сергеевич, Теплоухов Семен Васильевич. Аналитическое исследование методов и алгоритмов искусственного интеллекта // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2020. №3 (266). URL: https://cyberleninka.ru/article/n/analiticheskoe-issledovanie-metodov-i-algoritmov-iskusstvennogo-intellekta (дата обращения: 01.06.2022)

3. SoTA Methodology // [Электронный ресурс]: PapersWithCode. – URL: https://paperswithcode.com/area/methodology (Дата обращения: 01.06.2022)

4. Deep Learning Toolbox // [Электронный ресурс]: MATLAB. – URL: https://www.mathworks.com/products/deep-learning.html (Дата обращения: 01.06.2022)

5. JupyterLite // [Электронный ресурс]: Jupyter. – URL: https://jupyter.org/try-jupyter/ (Дата обращения: 01.06.2022)

6. Working with Jupyter Notebooks in Visual Studio Code // [Электронный ресурс]: Visual Studio Code. – URL:

https://code.visualstudio.com/docs/datascience/jupyter-notebooks (Дата обращения: 01.06.2022)

7. Google Colab // [Электронный ресурс]: Google. – URL: https://colab.research.google.com/ (Дата обращения: 01.06.2022)

8. Run Data Science & Machine Learning Code Online // [Электронный ресурс]: Kaggle. – URL: https://www.kaggle.com/code (Дата обращения: 01.06.2022)

9. Use machine learning to make anything with Gradient // [Электронный ресурс]: Paperspace. – URL: https://gradient.run/ (Дата обращения: 01.06.2022)

10. SageMaker Studio Lab // [Электронный ресурс]: Amazon. – URL: https://studiolab.sagemaker.aws/ (Дата обращения: 01.06.2022)

11. Запуск записных книжек Jupyter Notebook в рабочей области Azure Machine Learning // [Электронный ресурс]: Microsoft Docs. – URL: https://docs.microsoft.com/azure/machine-learning/how-to-run-jupyter-notebooks (Дата обращения: 01.06.2022)

12. Neural Network Console Windows App // [Электронный ресурс]: Sony. – URL: https://dl.sony.com/app/ (Дата обращения: 01.06.2022)

13. NetMaker // [Электронный ресурс]: Robert Sulej. – URL: https://www.ire.pw.edu.pl/~rsulej/NetMaker/ (Дата обращения: 01.06.2022)

14. Simbrain // [Электронный ресурс]: Simbrain. – URL: http://www.simbrain.net/ (Дата обращения: 01.06.2022)

15. State of Data Science and Machine Learning 2021 // [Электронный ресурс]: Kaggle. – URL: https://www.kaggle.com/kaggle-survey-2021 (Дата обращения: 01.06.2022)

16. Image Classification // [Электронный ресурс]: Tensorflow Core. – URL:

https://www.tensorflow.org/tutorials/images/classification?hl=en

(Дата обращения: 01.06.2022)

17. Text Classification // [Электронный ресурс]: Tensorflow Core. – URL:

https://www.tensorflow.org/text/tutorials/text_classification_rnn?hl=en

(Дата обращения: 01.06.2022)