Vergleichende Analyse zwischen Support Vector Machines und Convolutional Neural Networks zur Texterkennung im MNIST-Datensatz

Studienarbeit aus dem Jahr 2024 im Fachbereich Informatik - Kunstliche Intelligenz, Note: 1,3, (IU Internationale Hochschule), Veranstaltung: Kunstliche Intelligenz, Sprache: Deutsch, Abstract: Die vorliegende Hausarbeit beschaftigt sich mit der Vorstellung des Themas Schrifterkennung und dem Vergleich von zwei Algorithmen zur Schrifterkennung in der Performance. Die hier untersuchte Forschungsfrage ist, welche zwei Algorithmen fur diese Aufgabe geeignet sind und wie sie im direkten Vergleich auf einem Datensatz abschneiden. Um die Forschungsfrage zu beantworten, werden zuerst die Hintergrunde und Funktionsweisen von zwei Algorithmen vorgestellt, die fur diese Klassifizierungsaufgabe geeignet sind. Anschlieend wurden Modelle am MNIST-Datensatz trainiert und verglichen. Hierbei werden neben der Trainingszeit insbesondere die Metriken Precision, Recall und F1-Score berucksichtigt. Zudem in der Online-Bibliothek der IU nach den Schlagworten Minst"e;, Support-Vector-Maschine"e;, Text-Recognition"e;, Text-Erkennung"e;, Convolutional Neuronal Network"e; und Mustererkennung"e; recherchiert. Der Hauptteil gliedert sich in drei Teile. Im ersten Teil wird erortert, was man Schrifterkennung versteht und welche Herausforderungen hierbei auftreten. Als konkretes Beispiel wird der MNIST-Datensatz vorgestellt, der spater auch als Referenzdatensatz zum Vergleich der Algorithmen verwendet wird. Im zweiten Teil des Hauptteils werden zwei Algorithmen vorgestellt, die zur Schrifterkennung genutzt werden konnen: die Support Vector Machine (SVM) und ein Convolutional Neuronal Network (CNN). Konkret wird zudem fur jeden Algorithmus gezeigt, wie mit der Programmiersprache Python ein Model erstellt und trainiert werden kann. Im vierten Kapitel werden schlie lich die Metriken der Modelle gegenubergestellt. Die Arbeit endet mit einer Zusammen und einem Fazit.