ЗМІСТ

ВСТУП

• 
  Провести аналіз предметної області
  
  • 
    Проаналізувати поняття нейронної мережі
    
  • 
    Проаналізувати поняття штучних нейронів
    
  • 
    Провести огляд парадигм навчання нейронних мереж
    
  • 
    Проаналізувати поняття моделі нейронної мережі
    
  • 
    Оглянути сфери використання нейронних мереж
    
  • 
    Розглянути поняття аритмії
    
• 
  Описати обрані засоби розробки
  
  • 
    Провести огляд мови програмування Python
    
  • 
    Провести огляд бібліотеки sckit-image
    
• 
  Реалізувати програмний засіб
  
  • 
    Створити діаграму варіантів використання
    
  • 
    Створити діаграму класів
    
  • 
    Створити графічний інтерфейс користувача
    
  • 
    Написати інструкцію користувача
    

РОЗДІЛ 1. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ

1. Поняття нейронної мережі

2. Штучні нейрони як основна складова мережі

3. Парадигми навчання нейронних мереж

4. Модель нейронної мережі

1. 
   мережі прямого поширення - всі зв'язки направлені строго від вхідних нейронів до вихідних. До таких мереж відносяться, наприклад персептрон Розенблатта і багатошаровий персептрон;
   
2. 
   рекурентні нейронні мережі - сигнал з вихідних нейронів або нейронів прихованого шару частково передається назад на нейрони вхідного шару мережі;
   
3. 
   мережі радіально-базисних функцій - мережі, що містять єдиний прихований шар, нейрони якого використовують радіально-симетричну активаційну функцію, застосовуються для вирішення задач класифікації та прогнозування;
   
4. 
   мережі Кохонена - клас мереж, що використовують навчання без учителя і призначених для вирішення завдань кластеризації. Вони містять всього два прошарки: вхідний (розподільний) і вихідний (кластеризуються);
   
5. 
   карти Кохонена або карти ознак, що самоорганізуються - різновид мереж Кохонена, в яких число вихідних нейронів вибирається багато більше числа формованих кластерів. Використовуються для візуалізації результатів кластеризації багатовимірних даних;
   
6. 
   повнозв'язні мережі - нейронні мережі, в яких кожен нейрон пов'язаний з усіма іншими нейронами. Такі мережі мають найвищу щільність зв'язків;
   
7. 
   слабозв'язаних мережі - в них нейрони з'єднані тільки зі своїми найближчими сусідами;
   
8. 
   нейронні мережі з плоскими шарами - в них нейрони утворюють каскади, звані шарами, при цьому нейрони кожного шару пов'язані з усіма нейронами наступного і попереднього шарів, а всередині шару зв'язків немає. Мережі з плоскими шарами можуть бути одношарові (містити один прихований шар) і багатошаровими (містити кілька прихованих шарів).
   

5. Використання нейронних мереж

6. Аритмія

РОЗДІЛ 2. ВИБІР ЗАСОБІВ РЕАЛІЗАЦІЇ

2.1. Мова програмування Python

• 
  Красиво-краще, ніж потворно.
  
• 
  Явне краще, ніж неявне.
  
• 
  Просте - краще, ніж складне.
  
• 
  Комплекс краще, ніж комплекс.
  
• 
  Розрахунок читабельності.
  

2.2. sckit-image

РОЗДІЛ 3. РЕАЛІЗАЦІЯ ПРОГРАМНОГО ПРОДУКТУ

3.1. Діаграма варіантів використання

3.2. Діаграма класів програмного продукту

3.3. Структура нейронної мережі

• 
  Миготлива аритмія (рис. 3.3)
  
• 
  Тріпотіння передсердь (рис. 3.4)
  
• 
  Синусова брадикардія (рис. 3.5)
  
• 
  Синусова тахікардія (рис. 3.6)
  

3.3. Графічний інтерфейс користувача

3.4. Інструкція користувача

• 
  Запустити IDE PyCharm
  
• 
  Натиснути кнопку «Файл» в меню вгорі вікна
  
• 
  Натиснути кнопку «Відкрити проект»
  
• 
  Обрати папку проекту
  
• 
  Вгорі вікна, зліва від зеленої кнопки «Пуск» перевірити, що конфігурація встановлена у значенні «main», якщо це не так — змінити
  
• 
  Натиснути зелену кнопку «Пуск»
  
• 
  Слідувати рекомендаціям щодо роботи з програмою
  

• 
  Запустити командний рядок із директорія проекту
  
• 
  В командному рядку ввести наступну команду
  
  • 
    python main.py
    
• 
  Слідувати рекомендаціям щодо роботи з програмою
  

• 
  Запустити програму одним з описаних вище способів
  
• 
  Слідуючи підказкам інтерфейсу ввести всі необхідні данні
  
• 
  Після кожного вводу натискати клавішу «Єнтер»
  
• 
  Вводити лише цифри
  
• 
  Після вводу останнього значення отримати результати
  

ВИСНОВКИ

• 
  Провести аналіз предметної області
  
  • 
    Проаналізувати поняття нейронної мережі
    
  • 
    Проаналізувати поняття штучних нейронів
    
  • 
    Провести огляд парадигм навчання нейронних мереж
    
  • 
    Проаналізувати поняття моделі нейронної мережі
    
  • 
    Оглянути сфери використання нейронних мереж
    
  • 
    Розглянути поняття аритмії
    
• 
  Описати обрані засоби розробки
  
  • 
    Провести огляд мови програмування Python
    
  • 
    Провести огляд бібліотеки sckit-image
    
• 
  Реалізувати програмний засіб
  
  • 
    Створити діаграму варіантів використання
    
  • 
    Створити діаграму класів
    
  • 
    Створити графічний інтерфейс користувача
    
  • 
    Написати інструкцію користувача
    

ПЕРЕЛІКИ ВИКОРИСТАНИХ ДЖЕРЕЛ

1. 
   Bhadeshia H. K. D. H. (1999). "Neural Networks in Materials Science" (PDF). ISIJ International. 39 (10): 966–979. doi:10.2355/isijinternational.39.966.
   
2. 
   Bishop, Christopher M. (1995). Neural networks for pattern recognition. Clarendon Press. ISBN 978-0-19-853849-3. OCLC 33101074.
   
3. 
   Borgelt, Christian (2003). Neuro-Fuzzy-Systeme : von den Grundlagen künstlicher Neuronaler Netze zur Kopplung mit Fuzzy-Systemen. Vieweg. ISBN 978-3-528-25265-6. OCLC 76538146.
   
4. 
   Cybenko, G.V. (2006). "Approximation by Superpositions of a Sigmoidal function". In van Schuppen, Jan H. (ed.). Mathematics of Control, Signals, and Systems. Springer International. pp. 303–314. PDF
   
5. 
   Dewdney, A. K. (1997). Yes, we have no neutrons : an eye-opening tour through the twists and turns of bad science. New York: Wiley. ISBN 978-0-471-10806-1. OCLC 35558945.
   
6. 
   Duda, Richard O.; Hart, Peter Elliot; Stork, David G. (2001). Pattern classification (2 ed.). Wiley. ISBN 978-0-471-05669-0. OCLC 41347061.
   
7. 
   Egmont-Petersen, M.; de Ridder, D.; Handels, H. (2002). "Image processing with neural networks – a review". Pattern Recognition. 35 (10): 2279–2301. CiteSeerX 10.1.1.21.5444. doi:10.1016/S0031-3203(01)00178-9.
   
8. 
   Fahlman, S.; Lebiere, C (1991). "The Cascade-Correlation Learning Architecture" (PDF).
   
9. 
   created for National Science Foundation, Contract Number EET-8716324, and Defense Advanced Research Projects Agency (DOD), ARPA Order No. 4976 under Contract F33615-87-C-1499.
   
10. 
    Gurney, Kevin (1997). An introduction to neural networks. UCL Press. ISBN 978-1-85728-673-1. OCLC 37875698.
    
11. 
    Haykin, Simon S. (1999). Neural networks : a comprehensive foundation. Prentice Hall. ISBN 978-0-13-273350-2. OCLC 38908586.
    
12. 
    Hertz, J.; Palmer, Richard G.; Krogh, Anders S. (1991). Introduction to the theory of neural computation. Addison-Wesley. ISBN 978-0-201-51560-2. OCLC 21522159.
    
13. 
    Information theory, inference, and learning algorithms. Cambridge University Press. 25 September 2003. Bibcode:2003itil.book.....M. ISBN 978-0-521-64298-9. OCLC 52377690.
    
14. 
    Kruse, Rudolf; Borgelt, Christian; Klawonn, F.; Moewes, Christian; Steinbrecher, Matthias; Held, Pascal (2013). Computational intelligence : a methodological introduction. Springer. ISBN 978-1-4471-5012-1. OCLC 837524179.
    
15. 
    Lawrence, Jeanette (1994). Introduction to neural networks : design, theory and applications. California Scientific Software. ISBN 978-1-883157-00-5. OCLC 32179420.
    
16. 
    MacKay, David, J.C. (2003). Information Theory, Inference, and Learning Algorithms (PDF). Cambridge University Press. ISBN 978-0-521-64298-9.
    
17. 
    Masters, Timothy (1994). Signal and image processing with neural networks : a C++ sourcebook. J. Wiley. ISBN 978-0-471-04963-0. OCLC 29877717.
    
18. 
    Ripley, Brian D. (2007). Pattern Recognition and Neural Networks. Cambridge University Press. ISBN 978-0-521-71770-0.
    
19. 
    Siegelmann, H.T.; Sontag, Eduardo D. (1994). "Analog computation via neural networks". Theoretical Computer Science. 131 (2): 331–360. doi:10.1016/0304-3975(94)90178-3. S2CID 2456483.
    
20. 
    Smith, Murray (1993). Neural networks for statistical modeling. Van Nostrand Reinhold. ISBN 978-0-442-01310-3. OCLC 27145760.
    
21. 
    Wasserman, Philip D. (1993). Advanced methods in neural computing. Van Nostrand Reinhold. ISBN 978-0-442-00461-3. OCLC 27429729.
    
22. 
    Wilson, Halsey (2018). Artificial intelligence. Grey House Publishing. ISBN 978-1-68217-867-6.
    
23. 
    Oliphant, Travis (2007). "Python for Scientific Computing". Computing in Science and Engineering. 9 (3): 10–20. Bibcode:2007CSE.....9c..10O. CiteSeerX 10.1.1.474.6460. doi:10.1109/MCSE.2007.58. S2CID 206457124.
    
24. 
    ^ Millman, K. Jarrod; Aivazis, Michael (2011). "Python for Scientists and Engineers". Computing in Science and Engineering. 13 (2): 9–12. Bibcode:2011CSE....13b...9M. doi:10.1109/MCSE.2011.36.
    
25. 
    ^ Science education with SageMath, Innovative Computing in Science Education, retrieved 22 April 2019
    
26. 
    ^ "OpenCV: OpenCV-Python Tutorials". docs.opencv.org. Retrieved 14 September 2020.
    
27. 
    ^ Dean, Jeff; Monga, Rajat; et al. (9 November 2015). "TensorFlow: Large-scale machine learning on heterogeneous systems" (PDF). TensorFlow.org. Google Research. Retrieved 10 November 2015.
    
28. 
    ^ Piatetsky, Gregory. "Python eats away at R: Top Software for Analytics, Data Science, Machine Learning in 2018: Trends and Analysis". KDnuggets. KDnuggets. Retrieved 30 May 2018.
    
29. 
    ^ "Who is using scikit-learn? — scikit-learn 0.20.1 documentation". scikit-learn.org.
    
30. 
    ^ Jouppi, Norm. "Google supercharges machine learning tasks with TPU custom chip". Google Cloud Platform Blog. Retrieved 19 May 2016.
    
31. 
    Aahz; Baxter, Anthony (15 March 2001). "PEP 6 – Bug Fix Releases". Python Enhancement Proposals. Python Software Foundation. Retrieved 27 June 2009.
    
32. 
    ^ "Python Buildbot". Python Developer’s Guide. Python Software Foundation. Retrieved 24 September 2011.
    
33. 
    ^ "1. Extending Python with C or C++ — Python 3.9.1 documentation". docs.python.org. Retrieved 14 February 2021.
    
34. 
    ^ "PEP 623 -- Remove wstr from Unicode". Python.org. Retrieved 14 February2021.
    
35. 
    ^ "PEP 634 -- Structural Pattern Matching: Specification". Python.org. Retrieved 14 February 2021.
    
36. 
    ^ "Documentation Tools". Python.org. Retrieved 22 March 2021.
    
37. 
    ^ Jump up to:a b "Whetting Your Appetite". The Python Tutorial. Python Software Foundation. Retrieved 20 February 2012.
    
38. 
    ^ "In Python, should I use else after a return in an if block?". Stack Overflow. Stack Exchange. 17 February 2011. Retrieved 6 May 2011.
    
39. 
    ^ Lutz, Mark (2009). Learning Python: Powerful Object-Oriented Programming. O'Reilly Media, Inc. p. 17. ISBN 9781449379322.
    
40. 
    ^ Fehily, Chris (2002). Python. Peachpit Press. p. xv. ISBN 9780201748840.
    
41. 
    ^ "TIOBE Index". TIOBE - The Software Quality Company. Retrieved 26 February 2021.
    
42. 
    ^ Blake, Author Troy (18 January 2021). "TIOBE Index for January 2021". Technology News and Information by SeniorDBA. Retrieved 26 February 2021.
    
43. 
    ^ TIOBE Software Index (2015). "TIOBE Programming Community Index Python". Retrieved 10 September 2015.
    
44. 
    ^ Prechelt, Lutz (14 March 2000). "An empirical comparison of C, C++, Java, Perl, Python, Rexx, and Tcl" (PDF). Retrieved 30 August 2013.
    
45. 
    ^ "Quotes about Python". Python Software Foundation. Retrieved 8 January2012.