|
|
Vstupní data a jejich význam pro vrstevnaté neuronové sítě
Gabašová, Evelina ; Mrázová, Iveta (vedoucí práce) ; Iša, Jiří (oponent)
Neuronové sítě stále zůstávají konkurence schopným modelem v některých oblastech strojového učení. Jednou z jejich nevýhod je však jejich tendence k předurčení, která může vážne omezit jejich schopnost zobecňovat. V předložené práci studujeme různé regularizační techniky založené na vynucování interních reprezentací v neuronových sítích. Interní reprezentace jsou analyzovány na základě nového teoretického modelu založeného na teorii informace, ze kterého následně vychází regularizátor minimalizující entropii interníchh reprezentací. Tento regularizátor založený na minimalizaci entropie je výpočetne náročný a z tohoto důvodu je v práci použit především jako teoretická motivace. Z důvodu potřeby efektivnější a flexibilnejší regularizace byl navrhnut nový regularizátor založený na Gaussovském směsovém modelu aktivací neuronů. Tento model je srovnán s existujícími metodami vynucování interních reprezentací v experimentální části práce. Výsledky navrhnutého modelu jsou lepší především na klasifikačních úlohách.
|
|
| |
|
|
Artificial neural networks for clustering and rule extraction
Iša, Jiří ; Mrázová, Iveta (vedoucí práce) ; Jiroutek, Pavel (oponent)
Problematika extrakce pravidel pomocí neuronových sítí byla během uplynulých desetiletí častým námětem výzkumných prací. Tato diplomová práce navrhuje nový model rostoucí fuzzy inferenční neuronové sítě, vycházejících z principu rostoucích neuronových struktur [5]. To síti umožnuje postupný nárust počtu skrytých neuronů až do velikosti potřebné pro dané úlohy. Pro úcely této sítě byla zvýšena citlivost již existujícího shlukovacího algoritmu vůči požadovaným výstupním hodnotám. Je také představen nový rychlý algoritmus adaptace vah, inspirovaný teorií fuzzy množin. Vlastnosti navrženého modelu i nová metoda výběru signifikantních vstupních příznaků podporuje extrakci relativně malého množství jednoduchých fuzzy pravidel. Navržené techniky jsou experimenálně ověřeny na reálných datech popisujících vztah mezi ruzným typem bydlení v okolí Bostonu a jeho cenou. Data byla získána z databáze "Bostonské ceny bydlení".
|
|
|
Rozhodovací stromy
Jahoda, Miroslav ; Mrázová, Iveta (vedoucí práce) ; Gregor, Petr (oponent)
Mezi známé metody dobývání znalostí patří neuronové sítě, ILP, asociační pravidla, Bayesovské sítě, klastrování, rozhodovací stromy a další. Tato práce se zabývá právě rozhodovacími stromy, jejich implementací, vizualizací, extrakcí pravidel a také porovnáváním různých rozhodovacích stromů a modelů pro klasifikaci dat vůbec. Nedílnou součástí procesu dobývání znalostí je také předzpracování dat, které hraje důležitou roli a je také rozebíráno v této práci. Součástí této práce je i porovnání různých modelů rozhodovacích stromů jako CART, CHAID, C5.0 (See5) a jiných na množině 3 druhů dat. Nakonec jsou výsledky porovnány s výsledky na předzpracovaných datech pomocí PCA analýzy.
|
|
|
Extrakce znalostí pomocí vrstevnatých neuronových sítí
Reitermanová, Zuzana ; Mrázová, Iveta (vedoucí práce) ; Holan, Tomáš (oponent)
Model vrstevnatých neuronových sítí je známý především díky své univerzální aproximační schopnosti. Již základní algoritmus zpětného šíření dává výsledky použtelné v reálných aplikacích. Efektivní řešení složitých úloh by však mělo vyhovovat náročným požadavkům na rychlost procesu učení a na transparentní strukturu vytvořené sítě. Ta totiž souvisí s lepší schopností sítě zobecňovat extrahované znalosti a následně i se snazší interpretací funkce naučené sítě. Lepšího zobecňování lze dosáhnout použitím různých technik, jako je např. učení s nápovědou, prořezávání a analýza citlivosti. Mezi rychlé algoritmy učení pak patří metody konjugovaných gradientů. V první části této práce jsme shrnuli a navzájem porovnali výše zmíněné techniky. Následně jsme odvodili novou metodu, která v sobě spojuje výhody předchozích technik. Navržený algoritmus je inspirovaný extrémně rychlou metodou škálovaných konjugovaných gradientů. Původní metodu jsme však rozšířili o vynucovanou kondenzovanou interní reprezentaci a prořezávání motivované citlivostní analýzou. Vlastnosti navržené techniky jsme otestovali na umělých úlohách i na reálných datech ze Světové banky. Doposud provedené experimenty naznačují slibné výsledky nového přístupu. Navržená technika dává ve všech ohledech mnohem lepší výsledky než jednotlivé původní metody a...
|
|
| |
|
|
Processing of secondary structures in nucleic acids
Goldwein, Robert ; Mrázová, Iveta (vedoucí práce) ; Kukačka, Marek (oponent)
Předložená práce se zabývá studiem základních metod v bioinformatice - v novém a perspektivním odvětví informatiky. Vysvětluje vlastní pojmem bioinformatika, seznamuje s nutnými biologickými základy (molekuly DNA, RNA, proteiny, centrální dogma molekulární biologie) a se základními bioinformatickými pojmy (biologická sekvence a její primární a sekunární struktura). Dále demonstruje implementaci základních bioinformatických algoritmů a jejich použití na reálných datech (na viru slintavky a kulhavky) - vyhledávání motivů, nejdelší společná podsekvence a alignment sekvencí. Práce také seznamuje s vyššími strukturami, především pak se sekundární strukturou RNA.
|
|
|
Samoorganizace a morphing
Lessner, Daniel ; Mrázová, Iveta (vedoucí práce) ; Mráz, František (oponent)
Morphing je známý fi lmový vizuální efekt. Spočívá v plynulé přeměně jednoho obrazu na jiný. Tak se například postava filmu změní v medvěda. Realizace takového efektu vyžaduje pečlivou, soustředěnou a drahou práci animátora. Vývoj nástrojů a metod k řešení problémů srovnatelných aspoň částečně s lidským intelektem je předmětem oboru umělá inteligence. Systémy fungující zcela bez účasti člověka pracují často se samoorganizací. Tak se nazývá jev, kdy systém samovolně vykazuje komplexnější chování, než odpovídá možnostem jeho jednotlivých částí. Tato práce zkoumá možnosti nasazení samoorganizačních metod umělé inteligence v morphingu s cílem omezit nutnost lidské asistence. Součástí práce jsou informace o několika navržených postupech a výsledky experimentů s nejúspěšnějším z nich. Ukazuje se, že při splnění určitých podmínek lze dosáhnout kvalitních výsledků zcela samočinně.
|
|
|
Implementace umělé inteligence v simulátoru strategické hry
Fürbach, Radek ; Mrázová, Iveta (vedoucí práce) ; Chrpa, Lukáš (oponent)
Cílem této práce je porovnání několika vybraných metod umělé inteligence ve specifikované strategické hře. Práce obsahuje tři části. První část specifikuje model strategické hry, na kterém jsou simulovány experimenty. Definuje objekty vyskytující se ve hře, vztahy mezi nimi a použité algoritmy. Druhá část specifikuje umělou inteligenci použitou ve strategické hře. Vysvětluje genetické algoritmy a uvádí několik metod selekcí, křížení a mutací. Popisuje některé základní umělé neuronové sítě a jejich architektury. Poslední část popisuje několik různých algoritmů umělé inteligence vycházejících z teorie v 2. části. Dále porovnává jejich výkonnost na simulovaných experimentech.
|
|
|
Artificial Neural Networks and Their Usage For Knowledge Extraction
Petříčková, Zuzana ; Mrázová, Iveta (vedoucí práce) ; Procházka, Aleš (oponent) ; Andrejková, Gabriela (oponent)
Název práce: Umělé neuronové sítě a jejich využití při extrakci znalostí Autor: RNDr. Zuzana Petříčková Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí disertační práce: doc. RNDr. Iveta Mrázová, CSc., Katedra teo- retické informatiky a matematické logiky Abstrakt: Vrstevnaté neuronové sítě jsou známé především díky své schopnosti dobře zobecňovat a odhalit v datech i složité nelineární závislosti. Na druhé straně má tento model tendenci vytvářet poměrně složitou vnitřní strukturu, a to především pro rozsáhlé datové sady. Při efektivním řešení náročných úloh jsou proto kladeny vysoké nároky především na rychlost procesu učení, schopnost sítě zobecňovat a na vytvoření jednoduché a transparentní struktury modelu. V této práci jsme navrhli obecnou metodologii pro učení vrstevnatých neuro- nových sítí. Jejím základem je rychlá a robustní metoda škálovaných konjugo- vaných gradientů. Tento standardní algoritmus učení je rozšířen o analytické či aproximativní oslabování citlivosti a o vynucovaní kondenzované interní re- prezentace. Redundantní vstupní a skryté neurony jsou prořezávány pomocí technik založených na citlivostní analýze a interní reprezentaci znalostí....
|
host ::
RSS.