Hledat
Zobrazují se záznamy 1-10 z 19
Maximizing Computational Power by Neuroevolution
Maximalizace výpočetní síly neuroevolucí
Diplomová práce (OBHÁJENO)
Vedoucí práce: Mráz, František
Datum publikování: 2016
Datum obhajoby: 12. 09. 2016
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Echo state networks jsou speciálním typem rekurentních neuronových sítí. Nedávný výzkum ukázal, že výkon echo state networks je nejvyšší na přechodu mezi uspořádaným a chaotickým režimem, takzvané hranici chaosu. Tato práce ...
Echo state networks represent a special type of recurrent neural networks. Recent papers stated that the echo state networks maximize their computational performance on the transition between order and chaos, the so-called ...
Echo state networks represent a special type of recurrent neural networks. Recent papers stated that the echo state networks maximize their computational performance on the transition between order and chaos, the so-called ...
Rozpoznávání znaků v digitalizovaných matematických výrazech
Recongition of symbols in digitalized mathematical expressions
Bakalářská práce (OBHÁJENO)
Vedoucí práce: Valla, Tomáš
Datum publikování: 2011
Datum obhajoby: 07. 09. 2011
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Cílem bakalářské práce je nalezení vhodných metod a algoritmů pro segmentaci textu a rozpoznávání symbolů pomocí umělých neuronových sítí. Nejdříve se práce věnuje základním principům umělého neuronu a umělých neuronových ...
This bachelor thesis focuses on finding suitable methods and algorithms for text segmentation and character recognition using artificial neural networks. Firstly, the thesis covers basic principles of artificial neuron and ...
This bachelor thesis focuses on finding suitable methods and algorithms for text segmentation and character recognition using artificial neural networks. Firstly, the thesis covers basic principles of artificial neuron and ...
Intelligent Interior Design - Style Compatibility of 3D Furniture Models using Neural Networks
Inteligentní návrh interiérů - Kompatibilita stylu 3D modelů nábytku pomocí neuronových sítí
Diplomová práce (OBHÁJENO)
Vedoucí práce: Mirbauer, Martin
Datum publikování: 2020
Datum obhajoby: 03. 02. 2020
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Thesis title: Intelligent Interior Design - Style Compatibility of 3D Furniture Models using Neural Networks Author: Yuu Sakaguchi Abstract: Analysis of 3D shapes is a challenging task especially when it comes to measuring ...
Semi-supervised deep learning in sequence labeling
Semisupervizované hluboké učení v označování sekvencí
Diplomová práce (OBHÁJENO)
Vedoucí práce: Šabata, Tomáš
Datum publikování: 2019
Datum obhajoby: 16. 09. 2019
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Označování sekvencí ve strojovém učení je typ problému, který zahrnuje při- řazování označení jednotlivým členům sekvence. Pro tento typ problému dosáhlo hluboké učení dobrého výkonu. Jedna z nevýhod tohoto přístupu je ...
Sequence labeling is a type of machine learning problem that involves as- signing a label to each sequence member. Deep learning has shown good per- formance for this problem. However, one disadvantage of this approach is ...
Sequence labeling is a type of machine learning problem that involves as- signing a label to each sequence member. Deep learning has shown good per- formance for this problem. However, one disadvantage of this approach is ...
Online training of deep neural networks for classification
Online trénování hlubokých neuronových sítí pro klasifikaci
Diplomová práce (OBHÁJENO)
Vedoucí práce: Holeňa, Martin
Datum publikování: 2019
Datum obhajoby: 16. 09. 2019
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Deep learning is usually applied to static datasets. If used for classification based on data streams, it is not easy to take into account a non-stationarity. This thesis presents work in progress on a new method for online ...
Hluboké učení je obvykle používáno se statickými datasety. Když je ale použito pro klasifikaci dat z datového toku, není jednoduché vzít v úvahu nestacionárnost. Tato diplomová práce prezentuje práci na nové metodě online ...
Hluboké učení je obvykle používáno se statickými datasety. Když je ale použito pro klasifikaci dat z datového toku, není jednoduché vzít v úvahu nestacionárnost. Tato diplomová práce prezentuje práci na nové metodě online ...
Object recognition using 3D convolutional neural networks
Rozpoznávání objektů pomocí 3D konvolučních neuronových sítí
Bakalářská práce (OBHÁJENO)
Vedoucí práce: Lokoč, Jakub
Datum publikování: 2017
Datum obhajoby: 20. 06. 2017
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Název: Rozpoznávání objektů pomocí 3D konvolučních neuronových sítí Autor: Jaroslav Moravec Katedra: Katedra softwarového inženýrství Školitel: RNDr. Jakub Lokoč, Ph.D., Katedra softwarového inženýrství Abstrakt: S rychlým ...
Title: Object recognition using 3D convolutional neural networks Author: Jaroslav Moravec Department: Department of Software Engineering Supervisor: RNDr. Jakub Lokoč, Ph.D., Department of Software Engineering Abstract: ...
Title: Object recognition using 3D convolutional neural networks Author: Jaroslav Moravec Department: Department of Software Engineering Supervisor: RNDr. Jakub Lokoč, Ph.D., Department of Software Engineering Abstract: ...
Smoothness of Functions Learned by Neural Networks
Hladkost funkcí naučených neuronovými sítěmi
Bakalářská práce (OBHÁJENO)
Vedoucí práce: Musil, Tomáš
Datum publikování: 2020
Datum obhajoby: 07. 07. 2020
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Modern neural networks can easily fit their training set perfectly. Surprisingly, they generalize well despite being "overfit" in this way, defying the bias-variance trade-off. A prevalent explanation is that stochastic ...
Adversarial Examples in Machine Learning
Matoucí vzory ve strojovém učení
Diplomová práce (OBHÁJENO)
Vedoucí práce: Pilát, Martin
Datum publikování: 2018
Datum obhajoby: 14. 06. 2018
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Deep neural networks have been recently achieving high accuracy on many important tasks, most notably image classification. However, these models are not robust to slightly perturbed inputs known as adversarial examples. ...
Hluboké neuronové sítě v poslední době dosahují vysoké úspěšnosti na mnoha úlohách, zejména klasifikaci obrázků. Tyto modely jsou ovšem snadno ovlivni- telné lehce pozměněnými vstupy zvanými matoucí vzory. Matoucí vzory ...
Hluboké neuronové sítě v poslední době dosahují vysoké úspěšnosti na mnoha úlohách, zejména klasifikaci obrázků. Tyto modely jsou ovšem snadno ovlivni- telné lehce pozměněnými vstupy zvanými matoucí vzory. Matoucí vzory ...
Echo state siete a ich využitie na predpovedanie časových radov
Echo state networks and their application in time series prediction
Echo state sítě a jejich využití na předpovídání časových řad
Bakalářská práce (OBHÁJENO)
Vedoucí práce: Mráz, František
Datum publikování: 2019
Datum obhajoby: 14. 02. 2019
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Recurrent neural networks (RNN) enable to model dynamical sys- tems with variable input length. Their disadvantage is in inherently difficult trai- ning which means adjusting weights of connections between neurons connected ...
Rekurentné neurónové siete (RNN) umožňujú modelovať dynamické systémy s premenlivou dĺžkou vstupu. Ich nevýhoda je v náročnom učení, teda ťažkom nastavovaní váh neurónov, ktoré sú v sieti spojené. Echo state siete (ESN) ...
Rekurentné neurónové siete (RNN) umožňujú modelovať dynamické systémy s premenlivou dĺžkou vstupu. Ich nevýhoda je v náročnom učení, teda ťažkom nastavovaní váh neurónov, ktoré sú v sieti spojené. Echo state siete (ESN) ...
Predikce sekundární struktury proteinu pomocí hlubokých neuronových sítí
Protein secondary structure prediction using deep neural networks
Diplomová práce (OBHÁJENO)
Vedoucí práce: Hoksza, David
Datum publikování: 2017
Datum obhajoby: 07. 09. 2017
Fakulta / součást: Matematicko-fyzikální fakulta / Faculty of Mathematics and Physics
Abstrakt: Determination of protein structure in space is a crucial part of protein function analysis. But structure determination is an expensive and time consuming pro- cess, therefore structure prediction model raised on popularity. ...
Znalost struktury, kterou proteiny zaujímají v prostoru, je klíčovým faktorem při studiu jejich funkce. Experimentální zjištění struktury je ale nákladné a časově náročné, proto jsou velmi populární predikční modely ...
Znalost struktury, kterou proteiny zaujímají v prostoru, je klíčovým faktorem při studiu jejich funkce. Experimentální zjištění struktury je ale nákladné a časově náročné, proto jsou velmi populární predikční modely ...