GORGOL, M. Rozpoznávání číslic [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2012.
Bakalářská práce Martina Gorgola se zabývá rozborem počtu a jednotlivých typů příznaků pro rozpoznávání číslic umělou neuronovou sítí. Bakalář během práce prokázal znalosti z oblasti umělých neuronových sítí a rozpoznávání číslic. Bakalář pracoval samostatně, dosažené výsledky pravidelně konzultoval. Výsledkem práce je provedený rozbor vlivu jednotlivých typů příznaků na rozpoznávání číslic pomocí umělé neuronové sítě. Bakalář prokázal své bakalářské schopnosti při samostatném studiu teorie, realizaci a požadovaného zhodnocení dosažených výsledků.
Zadáním práce je seznámit se s problematikou rozpoznávání číslic pomocí umělé neuronové sítě, zvolit vhodnou sadu příznaků pro popis a neuronovou síť pro rozpoznávání číslic. Dále má být proveden rozbor počtu a typů příznaků a má být uvedeno zhodnocení výsledků. Po časové a odborné stránce se jedná o středně náročné zadání. Práce začíná teoretickým popisem extrakce příznaků, zde chybí přehled základních požadavků na příznaky. Třetí kapitola obsahuje popis různých neuronových sítí bez návaznosti na použití pro rozpoznávání číslic. Ve čtvrté kapitole autor popisuje dopřednou vícevrstvou neuronovou síť s učícím algoritmem back-propagation. Autor následně uvádí krátkou rešerši problematiky rozpoznávání číslic neuronovou sítí, uvádí pouze jednu diplomovou a dvě bakalářské práce. Všechny tři práce používají stejnou síť. V praktické části autor nejprve v šesté kapitole popisuje vytvoření množin pro trénování a testování neuronové sítě a v sedmé kapitole popisuje extrakci tří zvolených příznaků (projekce, posuvné okno a normalizované centrální momenty) pomocí skriptu v programu MATLAB. Autor zde částečně opakuje teorii z kapitoly 2 a zbytečně podrobně popisuje tvorbu názvů jednotlivých souborů. Osmá kapitola popisuje testování různých typů (tři typy a jedna kombinace, a to projekce a posuvné okno) a počtů příznaků. Výsledky by bylo vhodnější prezentovat pro daný typ a různý počet příznaků v jedné tabulce (především pro normalizované centrální momenty). Autor uvádí úspěšnost klasifikace na ověřovací a problémové množině pro nejlepší topologii. Autor uvádí, že testoval různé topologie a hodnoty momentu, ale neuvádí, jakým způsobem prováděl toto testování. Bylo by také vhodné uvést přehledovou tabulku výsledků pro různé topologie (alespoň pro jeden typ a počet příznaků). U příznaků normalizované centrální momenty autor pouze konstatuje, že žádná ze sítí používajících tyto příznaky se nebyla schopna naučit trénovací množinu, ale nepátrá po příčině. Za tu považuji úpravy, které autor provedl s vektorem momentů. Autor provádí, podle jeho slov, normalizaci vektorů do intervalů nebo , provádí ovšem jen vynásobení vektoru „vhodnou“ mocninou deseti. Následně všechny hodnoty větší než 1 převede na 1. Tímto postupem ztratí nejdůležitější část informace o obraze. V závěru práce autor používá zkratky různých typů a počtů příznaků z předešlé kapitoly a velice tak ztěžuje orientaci v textu. Také není patrné celkové zhodnocení výsledků testování. Poslední odstavec závěru je zmatený a nedává přílišný smysl. Většina závěru by měla být spíše součástí předešlé kapitoly. Po formální stránce má práce řadu nedostatků. Hlavním je používání referencí nevhodným způsobem (autor pouze na začátku každé kapitoly uvede seznam všech zdrojů, z kterých čerpal). Také volba použité literatury a její uspořádání není příliš vhodné. V práci je také celá řada překlepů a autor často nepoužívá jednotnou terminologii (například hrana, spoj, spojení a synapse). Z důvodů přehlednosti bych spojil šestou a sedmou kapitolu do jedné a naopak ve čtvrté kapitole by bylo vhodné používat více podkapitol.
eVSKP id 54462