Přístupy učení neuronových sítí s nevyrovnaným datasetem
Loading...
Date
Authors
Tomančeková, Veronika
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Práca sa zaoberá rešeršou a implementáciou metód, ktoré eliminujú vplyv nevyrovnaného datasetu na učenie neurónových sietí. Jednotlivé metódy sú porovnané medzi sebou pre rôzne úrovne nevyrovnanosti. Experimenty realizované v práci sú taktiež porovnané s dostupnou literatúrou a kontrolným experimentom, ktorý bol realizovaný bez metódy eliminácie vplyvu nevyrovnaného datasetu na učenie neurónových sietí. Experimenty sú následne rozšírené na ďalší dataset, kde sú porovnané pre originálnu nevyrovnanosť nachádzajúcu sa v datasete. V teoretickej časti je priblížená téma neurónových sietí a problémy, ktoré sa môžu vyskytnúť pri učení. Následne sú priblížené konvolučné siete a ich optimalizačné algoritmy. Práca ďalej obsahuje bližšie spracovanú problematiku nevyrovnaného datasetu, vrátane používaných metrík a prístupov, ktoré umožňujú elimináciu tohto problému.
This thesis deals with the research and implementation of methods that eliminate the influence of an imbalanced dataset on the learning of neural networks. Individual methods are compared with each other for different levels of imbalance. The experiments carried out in the work are also compared with the available literature and a control experiment, which was carried out without the method of eliminating the influence of an imbalanced dataset. The experiments are extended to another dataset containing the original imbalance and compared. In the theoretical section, the topic of neural networks and the problems that may occur during learning are brought up. Subsequently, convolutional networks and their optimization algorithms are presented. The thesis also contains a more detailed presentation of the issue of an imbalanced dataset, including the metrics used in experiments and approaches used to eliminate this problem.
This thesis deals with the research and implementation of methods that eliminate the influence of an imbalanced dataset on the learning of neural networks. Individual methods are compared with each other for different levels of imbalance. The experiments carried out in the work are also compared with the available literature and a control experiment, which was carried out without the method of eliminating the influence of an imbalanced dataset. The experiments are extended to another dataset containing the original imbalance and compared. In the theoretical section, the topic of neural networks and the problems that may occur during learning are brought up. Subsequently, convolutional networks and their optimization algorithms are presented. The thesis also contains a more detailed presentation of the issue of an imbalanced dataset, including the metrics used in experiments and approaches used to eliminate this problem.
Description
Citation
TOMANČEKOVÁ, V. Přístupy učení neuronových sítí s nevyrovnaným datasetem [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
bez specializace
Comittee
prof. Ing. Martin Augustynek, Ph.D. (předseda)
Ing. Martin Mézl, Ph.D. (místopředseda)
MUDr. Tibor Stračina, Ph.D. (člen)
Ing. Markéta Jakubíčková, Ph.D. (člen)
Ing. Martin Králík (člen)
Ing. Radovan Smíšek, Ph.D. (člen)
Date of acceptance
2023-06-14
Defence
Studentka prezentovala výsledky své práce a komise byla seznámena s posudky. Dr. Mézl položil otázku jak konkrétně je zašuměn obraz v prezentaci. Lišili by se výsledky pro klasifikaci do více tříd? Dr. Stračina položil otázku jaká by byla praktická využitelnost prezentované práce? Studentka odpověděla na otázky členů komise a oponenta. Studentka obhájila bakalářskou práci.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení