|
|
Active learning for Bayesian neural networks in image classification
Belák, Michal ; Šabata, Tomáš (vedoucí práce) ; Vomlelová, Marta (oponent)
V posledných rokoch dosahujú zložité neurónové siete špičkové výsledky v klasifikácií obrazu. Trénovanie takýchto modelov však vyžaduje veľké množstvo označkovaných dát. Kým neoznačkované obrázky sú často dostupné vo ve ľkom množstve, značkovanie vyžaduje značné ľudské úsilie. Aktívne učenie znižuje nároky na značkovanie vyberan ím najinformatívnejších inštancií na označkovanie. Najpoužívanejšia rodina stratégií pre vyberanie inštancií na znač kovanie v aktívnom učení využíva odhad neistoty predpovedí modelu, ktorý sa trénuje. Moderné neurónové siete vš ak často neposkytujú spoľahlivé odhady neistoty. Bayesovské neurónové siete modelujú neistotu parametrov model u, ktorá sa premieta do neistoty v predpovediach modelu. Presná Bayesovská inferencia je však neriešiteľná pre neur ónové siete, v literatúre však existujú rôzne približné metódy. V našich experimentoch používame tri takéto metódy, ktoré kombinujeme s rôznymi stratégiami pre vyberanie inštancií, využívajúcimi neistotu v ich predpovediach.
|
|
|
Active learning for Bayesian neural networks in image classification
Belák, Michal ; Šabata, Tomáš (vedoucí práce) ; Vomlelová, Marta (oponent)
V posledných rokoch dosahujú zložité neurónové siete špičkové výsledky v klasifikácií obrazu. Trénovanie takýchto modelov však vyžaduje veľké množstvo označkovaných dát. Kým neoznačkované obrázky sú často dostupné vo ve ľkom množstve, značkovanie vyžaduje značné ľudské úsilie. Aktívne učenie znižuje nároky na značkovanie vyberan ím najinformatívnejších inštancií na označkovanie. Najpoužívanejšia rodina stratégií pre vyberanie inštancií na znač kovanie v aktívnom učení využíva odhad neistoty predpovedí modelu, ktorý sa trénuje. Moderné neurónové siete vš ak často neposkytujú spoľahlivé odhady neistoty. Bayesovské neurónové siete modelujú neistotu parametrov model u, ktorá sa premieta do neistoty v predpovediach modelu. Presná Bayesovská inferencia je však neriešiteľná pre neur ónové siete, v literatúre však existujú rôzne približné metódy. V našich experimentoch používame tri takéto metódy, ktoré kombinujeme s rôznymi stratégiami pre vyberanie inštancií, využívajúcimi neistotu v ich predpovediach.
|
|
|
On Approximate Fully Probabilistic Design of Decision-Making Units
Kárný, Miroslav
An efficient support of a single decision maker is vital in constructing scalable systems addressing complex decision-making (DM) tasks. Fully probabilistic design (FPD) of DM strategies, an extension of dynamic Bayesian DM, provides a firm basis for such a support. The limited cognitive and evaluation resources of the supported decision maker cause that theoretically optimal solutions are realised only approximately. Thus, the truly efficient support has to include reliable means for constructing approximate solutions of DM subtasks. The current paper deals with the design of the approximately optimal DM strategy for a known environment model and adequately described DM preferences. The design relies on: a) the explicit minimiser found within FPD; b) randomised nature of the strategy provided by FPD.
|
|
| |
|
|
Výběr délky regresoru
Křivánek, O. ; Zeman, Jan
Tento report je úzce spjat s dlouhodobým projektem, zabývajícím se využitím metod stochastického dynamického rozhodování a jeho aproximací na problém obchodování s futures kontrakty. Popisuje se zde ladění jednoho volitelného paramteru v nově navržené metodě nazvané strategie rozšířených iterací rozložených v čase. Experiment je proveden na reálných ekonomických datech z vybraných 35 trhů s futures kontrakty. Hlavním kritériem úspěšnosti je takzvaný čistý zisk a také srovnání s předchozími experimenty.
|
|
|
Dynamické rozhodování pomocí přibližného dynamického programování
Slimáček, V. ; Zeman, J. ; Kárný, Miroslav
Tato práce se zabývá dynamickým rozhodováním za pomocí přibližného dynamického programování v aplikaci na obchodování s futures kontrakty. Obsahuje teoretický úvod do problematiky dynamického rozhodování a přibližného dynamického programování, stejnì tak popisuje principy bayesovského odhadování, které potřebujeme pro řešení našeho úkolu. Je zde navržena a popsána jedna z možných obchodovních strategií { metoda klouzavého horizontu s využitím anticipativní strategie, přičemž predikce cen potřebná pro použití této strategie je určována pomocí metody certainty equivalence a pomocí metody Monte Carlo. Tato strategie byla otestována na reálných datech a bohužel nedosahuje ziskových hodnot.
|
|
| |
host ::
RSS.