|
|
Genetický návrh klasifikátoru s využítím neuronových sítí
Tomášek, Michal ; Vašíček, Zdeněk (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této práce je genetický návrh neuronových sítí, jenž budou schopné provádět klasifikaci v rámci různých klasifikačních úloh. K vytváření těchto neuronových sítí je použit algoritmus vycházející z algoritmu NeuroEvolution of Augmenting Topologies (zkráceně známého jako NEAT). Dále je představena myšlenka předzpracování, která je v implementovaném výsledku rovněž zahrnuta. Cílem předzpracování je snížení výpočetních nároků pro zpracování datové sady daného klasifikačního problému. Výsledkem této práce je množina experimentů provedených nad datovou sadou pro detekci rakovinných buněk a databází ručně psaných číslic MNIST. Klasifikátory vytvořené pro rakovinné buňky pak dosahují více jak 99% přesnosti a u experimentu MNIST dochází ke snížení výpočetních nároků o více jak 10% se zanesením zanedbatelné chyby o velikosti 0,17%.
|
|
|
Neuronové sítě a genetické algoritmy
Karásek, Štěpán ; Snášelová, Petra (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zabývá evolučními a genetickými algoritmy a jejich možnou spoluprací při tvorbě a učení neuronových sítí. V teoretické části jsou popsány genetické algoritmy a neuronové sítě. Také jsou popsány možnosti jejich kombinace a je proveden přehled existujících algoritmů. V praktické části je popsána implementace algoritmu NEAT. Dále jsou s algoritmem NEAT provedeny experimenty a na základě jejich výsledků je navrhnuta kombinace algoritmu s diferenciální evolucí. Výsledky kombinace algoritmů jsou zhodnoceny. V závěru je algoritmus NEAT porovnán s klasickými učícími metodami backpropagation (pro dopředné neuronové sítě) a backpropagation through time (pro rekurentní neuronové sítě) a to z hledika rychlosti učení, kvality odezvy sítě i jejich závislosti na velikosti sítě.
|
|
|
Řízení autonomního agenta pomocí neuroevoluce
Hnátek, Martin
Tato práce představuje teoretický základ neuroevoluce. Zahrnuje také návrh tvorbou simulačního prostředí pro autonomního agenta a jeho natrénování pomocí knihovny Neataptic v různě obtížných podmínkách. Popisuje také tvorbu frontendu pro snadnou vizualizaci a serverové části pro rychlé učení. Na závěr se zabývá vyhodnocením natrénovaných agentů a návrhem možných zlepšení.
|
|
|
Genetický návrh klasifikátoru s využítím neuronových sítí
Tomášek, Michal ; Vašíček, Zdeněk (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této práce je genetický návrh neuronových sítí, jenž budou schopné provádět klasifikaci v rámci různých klasifikačních úloh. K vytváření těchto neuronových sítí je použit algoritmus vycházející z algoritmu NeuroEvolution of Augmenting Topologies (zkráceně známého jako NEAT). Dále je představena myšlenka předzpracování, která je v implementovaném výsledku rovněž zahrnuta. Cílem předzpracování je snížení výpočetních nároků pro zpracování datové sady daného klasifikačního problému. Výsledkem této práce je množina experimentů provedených nad datovou sadou pro detekci rakovinných buněk a databází ručně psaných číslic MNIST. Klasifikátory vytvořené pro rakovinné buňky pak dosahují více jak 99% přesnosti a u experimentu MNIST dochází ke snížení výpočetních nároků o více jak 10% se zanesením zanedbatelné chyby o velikosti 0,17%.
|
|
|
Neuronové sítě a genetické algoritmy
Karásek, Štěpán ; Snášelová, Petra (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zabývá evolučními a genetickými algoritmy a jejich možnou spoluprací při tvorbě a učení neuronových sítí. V teoretické části jsou popsány genetické algoritmy a neuronové sítě. Také jsou popsány možnosti jejich kombinace a je proveden přehled existujících algoritmů. V praktické části je popsána implementace algoritmu NEAT. Dále jsou s algoritmem NEAT provedeny experimenty a na základě jejich výsledků je navrhnuta kombinace algoritmu s diferenciální evolucí. Výsledky kombinace algoritmů jsou zhodnoceny. V závěru je algoritmus NEAT porovnán s klasickými učícími metodami backpropagation (pro dopředné neuronové sítě) a backpropagation through time (pro rekurentní neuronové sítě) a to z hledika rychlosti učení, kvality odezvy sítě i jejich závislosti na velikosti sítě.
|
|
|
Řešení dopravy v Alpském tranzitu na území Švýcarska
Vonásek, Martin ; Zelený, Lubomír (vedoucí práce) ; Pešková, Marie (oponent)
Práce se zabývá problematikou externalit v dopravě, pozicí Švýcarska v evropské nákladní dopravě a situací v nákladní dopravě v Alpském regionu. Rozebírá jednotlivé nástroje švýcarské politiky převodu nákladu na železnici, zpoplatnění infrastruktury, projekty železniční infrastruktury a vývoj dopravy ve švýcarských tunelech od roku 1980. Diskutuje možná řešení s výhledem do budoucího vývoje projektů dopravního managementu ve Švýcarsku.
|
host ::
RSS.