Neuroverkkotyökalun rakentaminen valitulla kirjastolla

Abstract

Keinotekoiset neuroverkot ovat nykyään hyvin yleisesti käytetty koneoppimismenetelmä. Neuroverkkoja käytetään laajasti erilaisten ongelmien ratkaisemiseen. Tälle on perustana, että neuroverkkojen potentiaaliset käyttötarkoitukset ovat moninkertaistuneet vuonna 2012 ja sen jälkeen neuroverkkotutkimuksessa saavutettujen edistysaskeleiden vaikutuksesta. Tämäkin opinnäytetyö rakentuu tuon kehityksen varaan. Kuten millä tahansa muullakin asialla, myös neuroverkoilla on hyvät ja huonot puolensa. Tämä pitää paikkansa niin etiikan kuin käytännön ohjelmoinninkin kannalta. Tämän opinnäytetyön tarkoituksena oli selvittää, kuinka hyvin tietyntyyppinen neuroverkko soveltui annetun tutkimusongelman ratkaisemiseen.

Tässä työssä käytiin läpi aluksi kattavasti neuroverkkojen teoriaa, jota tarvittiin työn myöhemmissä vaiheissa. Tämän jälkeen toteutettiin Python-ohjelmointikieltä käyttäen kokeellinen tutkimus, jossa aluksi tarkasteltiin kolmea erilaista neuroverkkokirjastoa (Pytorch, Scikit-learn ja Tensorflow) ja valittiin niistä tämän työn tarkoitusta varten paras (Scikit-learn) työn loppuosan toteuttamista varten.

Työn pääosan muodosti raporttimainen kuvaus työhön soveltuvan neuroverkon toteuttamisesta ja soveltamisesta valitulla neuroverkkokirjastolla Python-ohjelmointikieltä käyttäen. Työssä käytetty neuroverkon opettamisessa ja testaamisessa käytetty datasetti esiteltiin omassa luvussaan. Työn toteuttamisen aikana luotiin myös graafinen käyttöliittymä (TkInter-kirjastoa käyttäen), jonka avulla neuroverkko-ohjelman loppukäyttäjä voi säätää neuroverkon suorituskykyyn vaikuttavia parametreja. Opinnäytetyön lopputulos oli Windows 10 - tai Windows 11 -ympäristössä toimiva tietokoneohjelma, jota pystyy käyttämään sellainenkin henkilö, jolle ohjelmointi ja neuroverkot eivät ole ennestään erityisen tuttuja.

Neuroverkon suorituskykyä havainnollistettiin tässä työssä käyttäen sekä toimeksiantajalta saatua neuroverkon toiminnan tavoitetasoa että visualisointeja, jotka edelleen paransivat neuroverkon suorituskyvyn havainnollistumista annetulla datasetillä. Työn loppuosassa käytiin läpi mahdollisia keinoja työssä toteutetun neuroverkon toiminnan optimoimiseen edelleen. Lopussa oli yhteenveto työssä saavutetuista asioista sekä tekijän oma pohdinta.