Разработка программного интерфейса приложения по распознаванию осложнений Covid-19

Пояснительная записка (сам диплом с приложениями), лист задания, презентация, текст доклада

ВВЕДЕНИЕ.................................................................................. 3

1 ТЕОРЕТИЧЕСКАЯ ЧАСТЬ. НЕЙРОННЫЕ СЕТИ................. 6

1.1 Архитектура и модель нейронных сетей.............................. 6

1.2 Классификация и дискриминация......................................... 8

1.3 Сверточная нейронная сеть................................................. 10

2 ПРАКТИЧЕСКАЯ ЧАСТЬ. СОЗДАНИЕ МОДЕЛИ И ПРИЛОЖЕНИЯ................................................................................... 15

2.1 Подготовка данных и создание модели.............................. 15

2.2 Создание web-приложения.................................................. 37

2.3 Работа программы, процесс обучения и запуск................. 42

3 ТЕХНИКО-ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ............ 48

4 ОХРАНА ТРУДА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ................................................................................ 54

ЗАКЛЮЧЕНИЕ.......................................................................... 64

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ.................. 65

ПРИЛОЖЕНИЕ А – ПРОГРАММНЫЙ КОД.................... 67

1 Нейронная сеть // Большая российская энциклопедия: [в 35 т.] / гл. ред. Ю. С. Осипов. — М.: Большая российская энциклопедия, 2004— 2017.

2 Мак-Каллок У. С., Питтс В. Логическое исчисление идей, относящихся к нервной активности Архивная копия от 27 ноября 2007 на Wayback Machine // Автоматы / Под ред. К. Э. Шеннона и Дж. Маккарти. — М.: Изд-во иностр. лит. 1956. — С. 363—384. (Перевод английской статьи 1943 г.)

3 Хакимов Б. Б. Моделирование корреляционных зависимостей сплайнами на примерах в геологии и экологии. — М.: Изд-во Моск. ун-та; СПб.: Нева, 2003. — 144 с.

4 Горбань А. Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей Архивная копия от 27 января 2012 на Wayback Machine // Сибирский журнал вычислительной математики, 1998, т. 1, № 1. — С. 12—24.

5 Миркес Е. М. Логически прозрачные нейронные сети и производство явных знаний из данных // Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с. — ISBN 5-02-031410-2.

6 Барцев С. И., Охонин В. А. Адаптивные сети обработки информации. — Красноярск: Ин-т физики СО АН СССР, 1986. Препринт N 59Б. — 20 с.

7 Оптимайзеры - Русскоязычная документация Keras [Электронный ресурс]. —2015. — URL: https://ru-keras.com/optimizer (дата обращения 12.05.2021).

8 Активационные функции - Русскоязычная документация Keras [Электронный ресурс]. —2015. — URL: https://ru-keras.com/activation-function (дата обращения 17.05.2021).

9 Сверточные нейронные сети: архитектура, примеры, особенности [Электронный ресурс]. —2018. — URL: https://neurohive.io/ru/osnovy-data- science/glubokaya-svertochnaja-nejronnaja-set (дата обращения 11.04.2021).

10 Flask (веб-фрейморк) [Электронный ресурс]. —2021. — URL: https://ru.wikipedia.org/wiki/Flask_(веб-фреймворк) (дата обращения 21.05.2021).

11 Фреймворк Flask в Python [Электронный ресурс]. —2021. — URL: https://pythonim.ru/libraries/freymvork-flask-v-python (дата обращения 23.05.2021).

12 HTML стили – CSS [Электронный ресурс]. —2018. — URL: https://html5css.ru/html/html_css.php (дата обращения 28.05.2021).

13 Введение и создание веб приложения на Python [Электронный ресурс]. —2018. — URL: https://proglib.io/p/python-web-development/ (дата обращения 25.05.2021).