Optimizarea parametrilor rețelelor neuronale în baza algoritmilor genetici

Abstract

Pentru implementarea și studierea domeniului abordat în această lucrare a fost necesară acumularea și aplicarea unor cunoștințe din mai multe arii precum și inteligenței artificiale. În mod special, au fost studiate conceptele de bază ale rețelelor neuronale artificiale, algoritmii de învățare automată, precum și principiile algoritmilor genetici. De asemenea, au fost utilizate cunoștințe legate de prelucrarea datelor, evaluarea performanței modelelor și utilizarea bibliotecilor software moderne, precum TensorFlow și Python. Scopul principal al acestei lucrări constă în studierea și aplicarea algoritmilor genetici pentru optimizarea automată a hiperparametrilor unei rețele neuronale. Prin intermediul acestei abordări se urmărește identificarea unui set valid și eficient de parametri care să conducă la îmbunătățirea performanței modelului, fără a apela la ajustări manuale. Scopul rămâne același indiferent de tipul de date sau de arhitectura utilizată, accentul fiind pus pe analiza impactului algoritmului genetic asupra procesului de optimizare. Utilizarea algoritmilor genetici pentru optimizarea hiperparametrilor oferă multiple beneficii practice. Această metodă permite explorarea eficientă a unui spațiu larg de parametri și reduce dependența de experiența subiectivă a utilizatorului în alegerea configurațiilor optime. În plus, abordarea propusă poate fi adaptată cu ușurință pentru alte tipuri de rețele neuronale și seturi de date, ceea ce îi conferă un caracter general și flexibil. Rezultatele obținute demonstrează că optimizarea evolutivă poate contribui semnificativ la creșterea performanței modelelor de învățare automată și poate fi utilizată cu succes în aplicații practice reale.

Memoriul explicativ este structurat în următoarele compartimente: introducere, trei capitole, concluzii, bibliografie, figuri, tabele și anexe. Lucrarea conține 23 de titluri bibliografice, 31 de figuri, 2 tabele și 4 anexe, fiind elaborată conform cerințelor academice în vigoare. Capitolul 1 este dedicat fundamentării teoretice a lucrării. Capitolul 2 descrie metodologia și instrumentele utilizate în realizarea părții practice. Capitolul 3 este consacrat rezultatelor cercetării și validării experimentale.

For the implementation and study of the field addressed in this work, it was necessary to acquire and apply knowledge from several areas of computer science and artificial intelligence. In particular, the fundamental concepts of artificial neural networks, machine learning algorithms, and the principles of genetic algorithms were studied. In addition, knowledge related to data processing, model performance evaluation, and the use of modern software libraries such as Python and TensorFlow was applied. The main goal of this work is to study and apply genetic algorithms for the automatic optimization of neural network hyperparameters. Through this approach, the aim is to identify a valid and efficient set of parameters that leads to improved model performance, without relying on manual tuning. This objective remains the same regardless of the type of data or the neural network architecture used, with the emphasis placed on analyzing the impact of genetic algorithms on the optimization process. The use of genetic algorithms for hyperparameter optimization offers several practical benefits. This method enables efficient exploration of large parameter spaces and reduces dependence on the user’s subjective experience when selecting optimal configurations. Furthermore, the proposed approach can be easily adapted to other types of neural networks and datasets, giving it a general and flexible character. The obtained results demonstrate that evolutionary optimization can significantly improve the performance of machine learning models and can be successfully applied in real-world practical scenarios. The explanatory memorandum is structured into the following sections: introduction, three chapters, conclusions, bibliography, figures, tables, and annexes. The paper includes 23 bibliographic references, 31 figures, 2 tables, and 4 annexes, and it has been prepared in accordance with the current academic requirements. Chapter 1 is dedicated to the theoretical foundation of the paper. Chapter 2 describes the methodology and tools used in carrying out the practical part. Chapter 3 is devoted to the research results and experimental validation.