Národní úložiště šedé literatury Nalezeno 2 záznamů.  Hledání trvalo 0.00 vteřin. 
Bayesian Optimization of Hyperparameters Using Gaussian Processes
Arnold, Jakub ; Straka, Milan (vedoucí práce) ; Vomlelová, Marta (oponent)
Cílem této práce bylo naimplementovat praktický nástroj pro optimalizaci hyperparametrů neuronových sítí pomoci bayesovské optimalizace. Práce zavádí potřebnou teorii pro bayesovskou optimalizaci, včetně matematických základů pro regresi pomocí gaussovských procesů, a dalších rozšíření bayesovské optimal- izace. Abychom mohli porovnat efektivnitu bayesovské optimalizace provedli jsme několik realistických experimentů s různými architekturami neuronových sítí. Bayesovskou optimalizaci jsme také srovnali s náhodným prohledáváním, kde ve většině případů záskala lepší výslednou hodnotu optimalizované funkce, včetně menšího rozptylu v opakovaných experimentech. Ve třech ze čtyř ex- perimentů Bayesovská optimalizace získala lepší výsledek, než ručně optimali- zované hyperparametry. Navíc také ukazujeme, jak může být regrese pomocí gaussovských procesů použita pro vizualizaci vlivů jednotlivých hyperparametrů na optimalizovanou funkci, a také závislostí mezi více hyperparametry. 1
Bayesian optimization
Kostovčík, Peter ; Lachout, Petr (vedoucí práce) ; Hlubinka, Daniel (oponent)
Optimalizácia je veľmi dôležitou súčasťou matematiky často využívanou v praxi. Existuje mnoho metód, ktoré dokážu riešiť špecifické typy účelo- vých funkcií. Akú metódu použiť ak je funkcia neznáma a/alebo výpočtovo náročná? Jednou z odpovedí je bayesovská optimalizácia, ktorá namiesto priamej optimalizácie vytvorí pravdepodobnostný model účelovej funkcie a využije ho na zostrojenie ľahko optimalizovateľnej pomocnej funkcie. Ide o iteračný prístup, ktorý s využitím informácií z predchádzajúcich krokov nájde nový bod pre výpočet účelovej funkcie a snaží sa priblížiť optimu pri čo najmenej iteráciách. V tejto práci predstavíme bayesovskú optimalizáciu, zosumarizujeme jej rôzne prístupy v nízkych aj vysokých dimenziách a uká- žeme kedy je vhodné ju použiť. Dôležitou súčasťou práce je vlastný algorit- mus, ktorý aplikujeme na rôzne praktické problémy - napr. na optimalizáciu parametrov metód strojového učenia. 1

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.