Metody umělé inteligence a jejich využití při predikci

Abstract

Název práce: Metody umělé inteligence a jejich využití při predikci Autor: Lubomír Šerý Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí diplomové práce: Ing. Marek Omelka, Ph.D., Katedra pravděpodobnosti a matematické statistiky Abstrakt: V předložené práci studujeme část oboru umělé inteligence - přede- vším umělé neuronové sítě. Nejprve je představen koncept umělé neuronové sítě a srovnání s jeho biologickou předlohou. Poté srovnáváme neuronovou síť s něk- terými zobecněnými lineárními modely. Učení neuronové sítě představuje jeden ze stěžejních problému, a tak je mu věnována větší část této práce - především odhadům parametrů a specifickým výpočetním aspektům. V této části se pok- oušíme vnést pohled na vnitřní strukturu neuronové sítě a navrhnout vylepšení učícího algoritmu. Existuje mnoho nadstaveb, kterými lze vylepšit nebo obohatit základní model neuronové sítě, některé tyto nadstavby včetně kombinace s ge- netickými algoritmy jsou představeny v závěru této práce. Tuto práci uzavírají simulační příklady, v kterých se snažíme prověřit některé představené teoretické předpoklady a závěry. Hlavním simulačním příkladem je aplikace konceptu neu- ronové sítě na úlohu predikce počtu gólů v hokejových zápasech. Klíčová slova: Neuronová síť, Predikce, TwoStepNNL, Sport

Title: Methods of artificial intelligence and their use in prediction Author: Lubomír Šerý Department: Department of Probability and Mathematical Statistics Supervisor: Ing. Marek Omelka, Ph.D., Department of Probability and Mathe- matical Statistics Abstract: In the presented thesis we study field of artificial intelligence, in par- ticular we study part dedicated to artificial neural networks. At the beginning, concept of artificial neural networks is introduced and compared to it's biological base. Afterwards, we also compare neural networks to some generalized linear models. One of the main problems of neural networks is their learning. Therefore biggest part of this work is dedicated to learning algorithms, especially to pa- rameter estimation and specific computational aspects. In this part we attempt to bring in an overview of internal structure of neural network and to propose enhancement of learning algorithm. There are lots of techniques for enhancing and enriching basic model of neural networks. Some of these improvements are, together with genetic algorithms, introduced at the end of this work. At the very end of this work simulations are presented, where we attempt to verify some of the introduced theoretical assumptions and conclusions. Main simulation is an application of concept of neural...