Červíčková, Věra - Výsledky hledání - Digitální repozitář

host :: přihlásit Digitální repozitář
		Hledej		Nový záznam		Nápověda		O repozitáři

Hlavní stránka > Výsledky hledání: Červíčková, Věra

Hledej:

Tipy pro vyhledávaní :: Rozšířené hledání

Hledej ve sbírkách:

Seřadit podle:	Zobrazit výsledky:	Výstupní formát:

	Creating Adversarial Examples in Machine Learning Červíčková, Věra ; Pilát, Martin (vedoucí práce) Tato práce zkoumá nepřátelské vzory ve strojovém učení, konkrétně v oboru klasifikace obrazu. Nejmodernější modely hlubokého učení dokáží rozpoznat vzory lépe než člověk. Nicméně pokud k obrazům přidáme vhodně zvolený šum, můžeme výrazně snížit přesnost daných modelů. Tato práce zkoumá různé metody útoků i obran proti nepřátelským vzorům. Jednu ze současným obran jsme si vybrali, abychom navrhli útok, který ji porazí. Náš útok využívá evoluční algoritmy. Výsledky našich experimentů ukazují, že nepřátelské vzory vytvořené evolucí a vzory vytvořené se znalostí gradientu se výrazně liší. V neposlední řadě zkoumáme, jak jsou naše nepřátelské vstupy přenositelné mezi různými neuronovými sítěmi. 1 Úplný záznam
	Detecting Misleading Features in Data Visualization Roubalová, Hana ; Vomlelová, Marta (vedoucí práce) ; Červíčková, Věra (oponent) Tato práce se zabývá detekcí zavádějících prvků ve vizualizacích dat. Teoretická část práce seznamuje s různými typy běžně se vyskytujících zavádějích prvků a ukazuje je na konkrétních příkladech. Implementační část práce pak s pomocí analýzy různých algoritmů představuje aplikaci určenou k rozpoznání nevhodných grafů pro jedince s bar- voslepostí. Práce ukazuje, jak může software zjednodušit detekci zavádějících prvků pro běžného uživatele. Zároveň zvyšuje povědomí o tomto problému a představuje možnosti prevence proti negativním důsledkům zavádějících vizualizací. 1 Úplný záznam
	Knowledge Extraction with Deep Belief Networks Bronec, Jan ; Mrázová, Iveta (vedoucí práce) ; Červíčková, Věra (oponent) Hluboké neuronové sítě typu DBN jsou tvořeny sérií navzájem po vrstvách propojených omezených Boltzmannových strojů (RBM). Zvětšování DBN sítě typicky vede ke zlepšení její přesnosti, podobně jako v případě mnoha dalších typů neuronových sítí. Toto zvětšování ovšem bývá za cenu zvýšené výpočetní složitosti a vyšších paměťových nároků. Pro použití velké neuronové sítě v mobilním zařízení je často nutné její velikost snížit. My jsme se pro snížení velikosti sítí DBN zaměřili na techniku zvanou prořezávání. Cílem prořezávání je odstranit značnou část redundantních vah sítě a přitom zachovat její přesnost. Pro DBN sítě jsme vytipovali několik algoritmů prořezávání a jejich vlastnosti jsme porovnali na různých datech. Dále jsme studovali vlastnosti takzvaných konfidenčních pravidel extrahovaných z natrénované DBN sítě. Použitím těchto pravidel získáme srozumitelnou interpretaci znalostí naučené sítě a jednodušší alternativu k původní síti. 1 Úplný záznam

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.

Digitální repozitář :: :: :: ::
Powered by v1.1.2
Spravuje

Tato stránka je dostupná také v následujících jazycích:
Česky English