|
|
Bayesovské a neuronové sítě
Hložek, Bohuslav ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce představuje Bayesovskou neuronovou síť na základě modelu Occamovy břitvy. První část práce shrnuje základní poznatky o neuronových sítích a Bayesovo pravidlo. Je vysvětlen princip Occamova ostří a detaily Bayesovské neuronové sítě. Rovněž je představen reálný příklad použití k predikci sesuvu půdy. V druhé části práce je představeno, jak vytvořit Bayesovskou neuronovou sít v jazyce Python. Je ukázán demonstrační program, který na experimentálních datech ukazuje vlastnosti Bayesovských neuronových sítí.
|
|
|
Rozpoznávání písmen pomocí neuronové sítě
Kluknavský, František ; Hradiš, Michal (oponent) ; Šilhavá, Jana (vedoucí práce)
Práca sa na úlohe rozpoznávania rukou písaných písmen zaoberá implementáciou viacvrstvovej perceptrónovej siete, učením metódou spätného šírenia chyby, hľadaním ich optimálnych parametrov, šírkou skrytej vrstvy, rýchlosťou a dĺžkou učenia, zvládaním poškodených dát. Výsledky vznikli opakovaným simulovaním a testovaním neurónovej siete použitím 52 152 malých písmen anglickej abecedy. Najlepšie výsledky pri čo najmenšej sieti a najkratšom čase tréningu dosiahla sieť so 60 neurónmi v skrytej vrstve a učenie rýchlosťou 0,01. Siete so širšou skrytou vrstvou dosiahli približne rovnakú úspešnosť pri testoch na neznámych písmenách, ale vyššiu úspešnosť na silne poškodených písmenách.
|
|
|
Techniques For Avoiding Model Overfitting On Small Dataset
Kratochvila, Lukas
Building a deep learning model based on small dataset is difficult, even impossible. Toavoiding overfitting, we must constrain model, which we train. Techniques as data augmentation,regularization or data normalization could be crucial. We have created a benchmark with a simpleCNN image classifier in order to find the best techniques. As a result, we compare different types ofdata augmentation and weights regularization and data normalization on a small dataset.
|
|
|
Bayesovské a neuronové sítě
Hložek, Bohuslav ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce představuje Bayesovskou neuronovou síť na základě modelu Occamovy břitvy. První část práce shrnuje základní poznatky o neuronových sítích a Bayesovo pravidlo. Je vysvětlen princip Occamova ostří a detaily Bayesovské neuronové sítě. Rovněž je představen reálný příklad použití k predikci sesuvu půdy. V druhé části práce je představeno, jak vytvořit Bayesovskou neuronovou sít v jazyce Python. Je ukázán demonstrační program, který na experimentálních datech ukazuje vlastnosti Bayesovských neuronových sítí.
|
|
|
Rozpoznávání písmen pomocí neuronové sítě
Kluknavský, František ; Hradiš, Michal (oponent) ; Šilhavá, Jana (vedoucí práce)
Práca sa na úlohe rozpoznávania rukou písaných písmen zaoberá implementáciou viacvrstvovej perceptrónovej siete, učením metódou spätného šírenia chyby, hľadaním ich optimálnych parametrov, šírkou skrytej vrstvy, rýchlosťou a dĺžkou učenia, zvládaním poškodených dát. Výsledky vznikli opakovaným simulovaním a testovaním neurónovej siete použitím 52 152 malých písmen anglickej abecedy. Najlepšie výsledky pri čo najmenšej sieti a najkratšom čase tréningu dosiahla sieť so 60 neurónmi v skrytej vrstve a učenie rýchlosťou 0,01. Siete so širšou skrytou vrstvou dosiahli približne rovnakú úspešnosť pri testoch na neznámych písmenách, ale vyššiu úspešnosť na silne poškodených písmenách.
|
host ::
RSS.