KOČI, M. Automatizované vytváření reprezentace pro kartézské genetické programování pomocí neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.
Diplomant kvalitně zpracoval nové téma – využití hlubokého učení pro automatizované vytváření reprezentace pro genetické programování. Vzhledem k náročnosti tématu, množství odvedené práci a detailní technické zprávě hodnotím tuto práci stupněm výborně.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Informace k zadání | Jednalo se o obtížné zadání výzkumného charakteru vycházející z několika nově publikovaných prací o využití hlubokých neuronových sítí (transformerů) pro učení nové efektivní reprezentace použitelné v oblasti genetického programování (GP). Diplomant musel tuto úplně novou problematiku nastudovat a porozumět způsobu využití transformerů a jazykových modelů v oblasti genetického programování. Diplomant sestavil vhodný model, vygeneroval vhodnou datovou sadu pro učení modelu a následně z naučeného modelu vyextrahoval novou reprezentaci pro kartézské GP (toto doposud nikdo nezkoušel, pokud je mi známo). V úloze evolučního návrhu obrazového filtru potom tuto novou reprezentaci využil a analyzoval. Dosažené výsledky nejsou přímo použitelné, ale představují základní poznatky, o které by se mohly opírat navazující práce. Zadání bylo splněno v celém rozsahu, v množství provedených experimentů ho překračuje. | ||
| Práce s literaturou | Student samostatně vyhledával odbornou literaturu a využíval ji. V seznamu je uvedeno 70 zdrojů. | ||
| Aktivita během řešení, konzultace, komunikace | Student konzultoval dle potřeby, pracoval samostatně, na konzultace byl výborně připraven a samostatně navrhoval vhodná pokračování řešení projektu. | ||
| Aktivita při dokončování | Práce byla dokončena na poslední chvíli. Předfinální text práce byl konzultován, mé připomínky byly zapracovány. | ||
| Publikační činnost, ocenění | Práce obsahuje zajímavé výsledky, které by mohly být (po doplnění) předmětem vědeckého článku. |
Z pohledu oponenta se jedná o velice náročné zadání kombinující několik problematik dohromady. Práce nepřinesla žádné překvapivé výsledky, ovšem implementace a analýza výsledků je až na drobné problémy provedena kvalitně. Proto navrhuji souhrnné hodnocení stupněm C - dobře .
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Náročnost zadání | Zadání hodnotím jako značně obtížné, jelikož se jednalo o adaptaci embedded reprezentace představené v posledním roce pro jiný druh genetického programování. Toto téma bylo experimentální a nebylo jasné, zda metoda bude vůbec fungovat. | ||
| Rozsah splnění požadavků zadání | Všechny body zadání byly splněny. | ||
| Rozsah technické zprávy | |||
| Prezentační úroveň technické zprávy | 85 | Teoretická část prezentuje témata ke studiu i výsledky na dobré úrovni. V kapitole 6 představující navržené řešení by bylo vhodné se zaměřit i na celkový pohled na evoluční algoritmus a oddělit nastavení experimentů (jako je např. použité funkce) od zásadních přínosů autora, jako jsou nové mutační operátory. | |
| Formální úprava technické zprávy | 75 | Práce obsahuje několik formálních nedostatků: označování algoritmů, obrázků a tabulek nemá jednotnou velikost písmen, obrázky jsou v nižší kvalitě a jsou nečitelné (např. 6.3 nebo 8.5) či 2D grafy nemají označenou barevnou škálu (8.17). Práce je psaná ve slovenském jazyce, proto jazyková stránka nebyla hodnocena. | |
| Práce s literaturou | 100 | Autor ve své práci využívá 70 zdrojů, převážně vědeckých. Zdroje jsou relevantní a jsou náležitě odkazovány. | |
| Realizační výstup | 75 | Autor navržené algoritmy implementoval v jazyce Python, což vzhledem k masivnímu využívání neuronových sítí byla vhodná volba. V rámci práce byla vytvořena knihovna pro evoluční návrh filtrů, nicméně tato knihovna neobsahuje téměř žádné komentáře k rozhraní a je tudíž náročné ji dále využít. Jádrem realizačního výstupu jsou však experimenty. Ty byly provedeny z mého pohledu dobře. Je však škoda, že klíčové porovnání jednotlivých mutačních operátorů bylo provedeno jen na základě výsledné PSNR. Nebyl vůbec vyšetřován průběh fitness v rámci konvergenčních křivek. Je totiž možné, že tyto operátory mohou dobře doplňovat standardní mutační operátory, ale nemohou fungovat samostatně. | |
| Využitelnost výsledků | Práce transformuje přístupy navržené v literatuře na jiný druh problémů. Sice se nepodařilo prokázat, že by navržené operátory na bázi embedded reprezentace byly lepší, výsledky je však možné využít v rešeršní práci pro porovnání. |
eVSKP id 154232