Dziļajā mašīnmācīšanās balstītā emociju klasifikācija

Abstract

Bakalaura darba nosaukums ir “Dziļajā mašīnmācīšanās balstītā emociju klasifikācija”. Darbs sastāv no ievada, 4 galvenajām daļām un noslēguma. Darba kopējais apjoms ir aptuveni 53 lappuses, tajā iekļauti 25 attēli, 1 tabula un avotu bibliogrāfija. Tēma pēta, kā dziļās mācīšanās tehnoloģijas var pielietot cilvēka emociju klasifikācijā. Darbs sākas ar teorētisko pamatojumu, aplūkojot emociju būtību, to psiholoģisko pamatojumu un emociju klasifikācijas principus. Nākamajā nodaļā tiek apskatīti galvenie dziļās mācīšanās lietojumu apsekojumi un pētītas konkrētas pieejas emociju klasifikācijai, izmantojot CNN. Turpmāk tiek izskaidroti konvolūcijas neironu tīklu (CNN) pamati, kā arī apkopota to struktūra un funkcionalitāte. Pēc tam rakstā tiek pētītas datu kopas, ko parasti izmanto emociju klasifikācijas uzdevumiem, un novērtēta to atbilstība un izaicinājumi. Visbeidzot, darbā ir sniegti eksperimentāli novērtējumi, izmantojot gan pielāgotu CNN, gan MobileNetV2 arhitektūru, salīdzinot to veiktspēju reālajā un kombinācijā ar sintētiskām datu kopām. Darbs sniedz visaptverošu pārskatu pētniekiem un praktiķiem, kurus interesē psiholoģijas un mākslīgā intelekta krustpunkts. Tas var kalpot kā noderīgs resurss uz emocijām balstītu mašīnmācības lietojumprogrammu tālākai izpētei.

The name of the Bachelor Thesis is “Deep Learning Based Classification of Emotions.” The work consists of the introduction, 4 main sections, and the conclusion. The total volume of the work is approximately 53 pages, includes 25 figures, 1 table and a bibliography of sources. The topic explores how deep learning technologies can be applied to the classification of human emotions. The paper begins with a theoretical foundation, examining the nature of emotions, their psychological basis, and the principles of emotion classification. The next section reviews key surveys of deep learning applications and investigates specific approaches for emotion classification using CNNs. It further explains fundamentals of convolutional neural networks (CNNs), and summarises their structure and functionality. After that, the paper explores datasets commonly used for emotion classification tasks and evaluates their relevance and challenges. Finally, the work presents experimental evaluations using both a custom CNN and MobileNetV2 architecture, comparing their performance across real and combined with synthetic data datasets. The work provides a comprehensive overview for researchers and practitioners interested in the intersection of psychology and artificial intelligence. It may serve as a useful resource for further exploration of emotion-based machine learning applications.