Тема бакалаврской работы относится к задачам машинного обучения «без учителя» в области генерации данных. В ходе работы было проведено исследование применимости вышеуказанного типа нейронных сетей к задачам создания последовательно связанных наборов данных. Была смоделирована архитектура генеративной соревновательной сети и были исследованы принципы ее обучения, после чего была создана ее программная реализация. Реализованная модель была обучена и протестирована, после чего были описаны выводы и предложены рекомендации для реализации данного типа сетей для использования в задачах создания связанных данных.

• ОПРЕДЕЛЕНИЯ
• ВВЕДЕНИЕ
• 1 Обзор используемой архитектуры
  • 1.1 Структура генеративной соревновательной нейронной сети
  • 1.2 Обучение генеративных сетей
  • 1.3 Модификации модели и существующие реализации
    • 1.3.1 Conditional GAN
    • 1.3.2 Deep Convolutional GAN
• 2 Моделирование генеративной сети и подготовка исходных данных
  • 2.1 Выбор и подготовка данных
  • 2.2 Построение модели
    • 2.2.1 Рекуррентные слои
    • 2.2.2 Основная структура модели
    • 2.2.3 Входные и выходные переменные данных
    • 2.2.4 Генератор
    • 2.2.5 Блок операций для выбора между реальными и сгенерированными данными
    • 2.2.6 Дискриминатор
    • 2.2.7 Блок обработки выхода дискриминатора
• 3 Программная реализация
  • 3.1 Выбор используемого языка реализации и сопутствующих математических пакетов
    • 3.1.1 Python
    • 3.1.2 Tensorflow
    • 3.1.3 Keras
  • 3.2 Подготовка данных
  • 3.3 Основной проект
    • 3.3.1 main.py
    • 3.3.2 config.py
    • 3.3.3 generator.py
    • 3.3.4 discriminator.py
    • 3.3.5 tester.py
    • 3.3.6 trainer.py
• 4 Обучение и оптимизация нейронной сети
  • 4.1 Изменение количества слоев и нейронов в слое сети
  • 4.2 Label smoothing
  • 4.3 Введение dropout в модель генератора и дискриминатора
  • 4.4 Введение начальной последовательности для предсказания данных
• 5 Исследование полученных данных
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ 1
• ПРИЛОЖЕНИЕ 2
• ПРИЛОЖЕНИЕ 3
• ПРИЛОЖЕНИЕ 4
• ПРИЛОЖЕНИЕ 5
• ПРИЛОЖЕНИЕ 6
• ПРИЛОЖЕНИЕ 7
• ПРИЛОЖЕНИЕ 8
• ПРИЛОЖЕНИЕ 9