|
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.
|
| |
|
Akcelerace neuronových sítí s využitím GPU
Šimíček, Ondřej ; Jaroš, Jiří (oponent) ; Petrlík, Jiří (vedoucí práce)
Tato práce se zabývá využitím grafických čipů pro akceleraci neuronových sítí s učením typu backpropagation. Pro řešení tohoto problému byla zvolena technologie OpenCL umožňující využít grafické čipy různých výrobců. Hlavním cílem práce byla akcelerace časově náročného procesu učení sítí a procesu klasifikace. Zrychlení bylo docíleno trénováním velkého množství neuronových sítí současně. Získané zrychlení bylo využito pro nalezení vhodné topologie a nastavení neuronové sítě pro zadanou úlohu pomocí genetického algoritmu.
|
|
Analýza scény založená na 2D obrazech
Hejtmánek, Martin ; Drahanský, Martin (oponent) ; Orság, Filip (vedoucí práce)
Tato práce se zabývá analýzou povrchu objektů v jednoduché scéně reprezentované dvourozměrným obrazem. Shrnuje běžně používané metody v tomto oboru informačních technologií a popisuje jejich výhody a nevýhody. Na základě získaných znalostí a zkušeností představuje vlastní návrh algoritmu pro analýzu povrchu objektů založený na světelné informaci. Obsahuje podrobný popis algoritmu implementovaného v rámci této práce a diskutuje výsledky provedených experimentů. Na základě zkušeností s implementovaným algoritmem navrhuje možné předpoklady pro jeho další vylepšení.
|
|
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.
|
|
Adaptivní regulátory s principy umělé inteligence a jejich porovnání s klasickými metodami identifikace
Vaňková, Tereza ; Dokoupil, Jakub (oponent) ; Pivoňka, Petr (vedoucí práce)
Diplomová práce je zaměřená na adaptivní regulátory. V teoretické části je především popsána parametrická identifikace, která patří k nejdůležitější části struktury adaptivního regulátoru. Nejdříve jsou zmíněny klasické identifikační metody (rekurzivní metody nejmenších čtverců) a dále jsou uvedeny identifikační metody na bázi neuronových sítí (algoritmus Marquardt-Levenberg a nový identifikační algoritmus NIA, který je inspirovaný neuronovými sítěmi). Na závěr teoretické části je zmíněn algoritmus nastavování adaptivních regulátorů z identifikovaných parametrů procesu (modifikovaná Z-N metoda) a používané adaptivní regulátory. V druhé praktické části jsou uvedeny konkrétní výsledky, které byly získány při ověřování uvedených algoritmů adaptivních regulátorů na simulačních a reálných modelech. Na závěr jsou výsledky srovnány s pevně nastaveným diskrétním regulátorem a adaptivním regulátorem firmy B&R.
|
|
Chatbot postavený na umělých neuronových sítích
Červíček, Petr ; Novotný, Ondřej (oponent) ; Szőke, Igor (vedoucí práce)
Bakalářská práce se zabývá implementací chatbota pomocí neuronových sítí. Využívá Long short term memory networks, které slouží k zapamatování dlouhodobých závislostí. Chatbot byl implementován v jazyce Python s nadstavbou Keras a je založen na principu sequence-to-sequence. Po implementaci byl chatbot testován pomocí metriky BLEU a dále předložen několika uživatelům ke konverzování. Pro lepší pochopení chatbotů je v této bakalářské práci taktéž popsána historie chatbotů a dán jednoduchý popis použitých technologií.
|
|
Algoritmické obchodování na burze s využitím dat z Twitteru
Kříž, Jakub ; Plchot, Oldřich (oponent) ; Szőke, Igor (vedoucí práce)
Práce se zabývá tvorbou systému, který na základě analýzy historických burzovních dat a zpráv z Twitteru predikuje budoucí vývoj trhu. Tweety ze dvou různých sad jsou analyzovány pomocí náladových slovníků nebo přes rekurentní neuronovou síť. Z výsledků této analýzy a technické analýzy burzovních dat je pomocí vrstvené neuronové sítě prováděna predikce. Dle predikce poté systém vytvoří a otestuje obchodní strategii. V rámci práce je navržen a implementován celý systém, který pomocí dat z analýzy tweetů dosáhl zvýšení výnosu některých obchodních strategií o více než 25 %. Toto zlepšení však platí jen pro konkrétní data a časové období.
|
|
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.
|
| |