|
|
Vícevrstvá neuronová síť
Kačer, Petr ; Klusáček, Jan (oponent) ; Jirsík, Václav (vedoucí práce)
Bakalářská práce popisuje základy problematiky vícevrstvých neuronových sítí a vysvětluje princip fungování algoritmu backpropagation. Další část práce se zabývá vývojem programu pro učení a testování vícevrstvých neuronových sítí a popisem jeho grafického uživatelského rozhraní a principu ovládání. Poslední část práce je věnována výukovým příkladům a praktickým ukázkám využití vícevrstvé neuronové sítě.
|
|
|
Soutěže v umělé inteligenci
Šafář, Pavel ; Hynčica, Tomáš (oponent) ; Honzík, Petr (vedoucí práce)
Práce se zabývá oborem umělé inteligence a především soutěžemi, které v tomto oboru probíhají nebo probíhaly. Jedná se o soutěže související s obory robotiky, počítačového vidění, komunikace, predikce časových řad a herních programů. Dále je zkoumáno použití neuronové sítě jako nástroje pro řešení problému piškvorek. Neuronová síť zpracovává dané herní situace a nastavuje hodnoty výstupů podle předem naučených vzorů.
|
|
|
Využití autoenkodérů pro tvorbu hlubokých sítí
Lohniský, Michal ; Veselý, Karel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá předtrénováním hlubokých sítí autoenkodéry. V prvních kapitolách jsou popsány prvky neuronové sítě. Další kapitoly jsou věnovány trénování hlubokých sítí a výsledkům, ve kterých je porovnáváno předtrénování autoenkodéry a algoritmus Backpropagation. Z výsledků experimentů na dvou datasetech vyplývá, že předtrénování autoenkodéry má kladný přínos, zvláště v kombinaci s Finetuningem.
|
|
|
Analýza dat z výrobního procesu
Krčmář, Martin ; Honzík, Petr (oponent) ; Zezulka, František (vedoucí práce)
Tato bakalářská práce se věnuje klasifikaci výrobních dat pomocí algoritmů: neuronové sítě, rozhodovací stromy a naivní bayesovský klasifikátor. Z neuronových sítí se věnuje dopředným vícevrstvým sítím s učícím algoritmem backpropagation. V bakalářské práci jsou tyto algoritmy popsány a zhodnoceny jejich klady a zápory. Další část práce se zabývá vývojem programu v jazyce C# pro tvorbu těchto algoritmů. Poslední část práce je věnována zhodnocení dosažených výsledků. Bakalářská práce obsahuje ukázku vytvořených klasifikačních modelů rozhodovacího stromu a naivního bayesovského klasifikátoru.
|
|
|
Klasifikace obrazů s pomocí umělé inteligence
Labuda, Adam ; Přinosil, Jiří (oponent) ; Burget, Radim (vedoucí práce)
Táto bakalárska práca sa bude zaoberať problematikou klasifikácie obrázkov a extrakcie príznakov z obrazu. V prostredí jazyka JAVA sa vytvorí príklad, ktorý načíta sadu obrázkov, extrahuje z nich príznaky s pomocou umelej inteligencie, ktorú poskytuje vedúci práce. Umelá iteligencia predpokladať druh obrázku. Na záver práce sú porovnané dosiahnuté výsledky.
|
|
|
Agent pro kurzové sázení
Bělohlávek, Jiří ; Rozman, Jaroslav (oponent) ; Grulich, Lukáš (vedoucí práce)
Tato práce vysvětluje návrh a implementaci agenta pro podporu kurzového sázení. Nechybí ani teoretické pozadí o online kurzovém sázení, pravděpodobnosti a statistice. V části dolování dat je nastíněn princip dolování dat z datových skladů, metody řešení různých typů úloh. Podrobněji je zpracována metoda řešení pomocí neuronových sítí např. pomocí algoritmu backpropagation. Najdete zde i množství grafů a histogramů, z analýzy dat, vytvořených programem SAS Enterprise Miner. V závěru práce se nachází shrnutí výsledů a další možnosti rozšíření agenta.
|
|
|
Využití neuronové sítě při identifikaci znaku v obraze
Pavlík, Daniel ; Burget, Radim (oponent) ; Kohoutek, Michal (vedoucí práce)
Tato práce pojednává o využití neuronové sítě při identifikaci písmen abecedy a číslic 0 - 9. V první části je teoreticky rozebrána podstata neuronových sítí a konkrétněji rozebrán princip metody učení vícevrstvé sítě se zpětným šířením chyby (jinak taky Backpropagation). Dále je zde rozebrána základní problematika zpracování obrazu a odolnost sítě proti zatížení vstupního obrazu šumem a degradaci kompresí JPEG. Druhá část je směřována k praktické realizaci dopředné vícevrstvé sítě rozenávající binární obrazy písmen abecedy a číslic 0 - 9, která byla vypracována v prostředí Matlab a Simulink. Další a poslední část je věnována praktické realizaci dopředné vícevrstvé sítě rozpoznávající šedotónové obrazce znaků písmen abecedy a číslic 0 - 9, která byla opět vypracována v prostředí Matlab a Simulink.
|
|
|
Rychlost učení vícevrstvé sítě
Maceček, Aleš ; Zámečník, Dušan (oponent) ; Jirsík, Václav (vedoucí práce)
Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny.
|
|
|
Umělá neuronová síť RCE
Maceček, Aleš ; Klusáček, Jan (oponent) ; Jirsík, Václav (vedoucí práce)
Práce se zabývá umělou neuronovou sítí RCE, zvláště popisem topologie, vlastností a algoritmem učení sítě. Práce obsahuje popis vytvořeného programu uTeachRCE pro učení RCE sítě a programu RCEin3D, vytvořeného pro vizualizaci procesu učení RCE sítě ve 3D prostoru. RCE síť je srovnávána s vícevrstvou umělou neuronovou sítí s algoritmem učení backpropagation při praktické aplikaci rozpoznávání písmen. Pro popis písmen byly zvoleny momenty invariantní na otočení, posun a změnu měřítka obrazu.
|
|
|
Analýza podpisového vzoru s využitím umělé neuronové sítě
Ševčík, Pavel ; Horák, Karel (oponent) ; Pohl, Jan (vedoucí práce)
Práce se zabývá metodami počítačového zpracování podpisového vzoru a jeho analýzou s využitím umělé neuronové sítě. Jde o procesy, při kterých je nejprve podpis digitalizován a zpracováván pomocí metod předzpracování a segmentace. Poté je objekt podpisového vzoru popsán pomocí centrálních geometrických momentů a momentových charakteristik. Nakonec probíhá klasifikace vícevrstvým perceptronen, pomocí jehož výstupů bude určena osoba, které podpis patří.
|
host ::
RSS.