Automatizované vytváření reprezentace pro kartézské genetické programování pomocí neuronových sítí
| but.committee | prof. Dr. Ing. Jan Černocký (předseda) doc. Ing. Lukáš Burget, Ph.D. (člen) doc. Mgr. Lukáš Holík, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. František Grézl, Ph.D. (člen) prof. Ing. Lukáš Sekanina, Ph.D. (člen) | cs |
| but.defence | Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. | cs |
| but.jazyk | slovenština (Slovak) | |
| but.program | Informační technologie a umělá inteligence | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Sekanina, Lukáš | sk |
| dc.contributor.author | Koči, Martin | sk |
| dc.contributor.referee | Mrázek, Vojtěch | sk |
| dc.date.created | 2024 | cs |
| dc.description.abstract | Táto diplomová práca sa zaoberá prepojením neurónových sietí a kartézskeho genetického programovania (CGP). Skúma využitie neurónových sietí na automatické vytváranie reprezentácie pre CGP a ich využitie pre vylepšenie evolučného procesu v CGP. Štúdia pokrýva základné koncepty strojového učenia, vrátane rôznych typov učenia a modelov neurónových sietí. Ďalej sa dotýka evolučných algoritmov s dôrazom na ich základné princípy, všeobecné algoritmy a typy reprezentácií. Táto práca tiež zahŕňa princípy učenia reprezentácii a dve základné architektúry pre ich tvorbu. Popisuje aj následné využitie učenia reprezentácií v genetickom programovaní. Návrh riešenia zahŕňa získavanie a predspracovanie dát, procesy tvorby reprezentácií a využitie výsledných reprezentácií. Práca taktiež implementuje dva nové prístupy pre vytváranie reprezentácii kartézskych genetických programov. Ďalej skúma ich využitie v dvoch nových mutačných operátoroch, kde jeden je založený na priamej úprave vektorovej reprezentácie a druhý na výbere génov pre mutáciu na základe ich podobnosti. Posledná zo skúmaných oblastí je predikovanie vhodnosti kandidátnych riešení za použitia de novo vzniknutých reprezentácií. | sk |
| dc.description.abstract | This master's thesis addresses the integration of neural networks and Cartesian Genetic Programming (CGP). It explores the use of neural networks for automated representation creation for CGP and their application to improve the evolutionary process in CGP. The study covers basic concepts of machine learning, including various types of learning and neural network models. It also touches on evolutionary algorithms with an emphasis on their basic principles, general algorithms, and types of representations. This work also includes principles of representation learning and two fundamental architectures for their creation. It describes the subsequent use of representation learning in genetic programming. The solution design includes data acquisition and preprocessing, representation creation processes, and the utilization of the resulting representations. The thesis also implements two new approaches for creating representations for Cartesian genetic programs. It further explores their use in two new mutation operators, where one is based on direct modification of the vector representation and the other on the selection of genes for mutation based on their similarity. The last of the explored areas is predicting the suitability of candidate solutions using newly emerged representations. | en |
| dc.description.mark | C | cs |
| dc.identifier.citation | KOČI, M. Automatizované vytváření reprezentace pro kartézské genetické programování pomocí neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024. | cs |
| dc.identifier.other | 154232 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/248890 | |
| dc.language.iso | sk | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta informačních technologií | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | evolučné algoritmy | sk |
| dc.subject | genetické programovanie | sk |
| dc.subject | neurónové siete | sk |
| dc.subject | konvolučné neuronové siete | sk |
| dc.subject | transformery | sk |
| dc.subject | viacvrstvový perceptron | sk |
| dc.subject | perceptron | sk |
| dc.subject | grafové neuronové siete | sk |
| dc.subject | kartézske genetické programovanie | sk |
| dc.subject | učenie reprezentácie | sk |
| dc.subject | strojové učenie | sk |
| dc.subject | evolutionary algorithms | en |
| dc.subject | genetic programming | en |
| dc.subject | cartesian genetic programming | en |
| dc.subject | neural networks | en |
| dc.subject | transformers | en |
| dc.subject | convolutial neural networks | en |
| dc.subject | graph neural networks | en |
| dc.subject | multilayer perceptron | en |
| dc.subject | perceptron | en |
| dc.subject | representation learning | en |
| dc.title | Automatizované vytváření reprezentace pro kartézské genetické programování pomocí neuronových sítí | sk |
| dc.title.alternative | Automated Representation Learning for Cartesian Genetic Programming Using Neural Networks | en |
| dc.type | Text | cs |
| dc.type.driver | masterThesis | en |
| dc.type.evskp | diplomová práce | cs |
| dcterms.dateAccepted | 2024-06-18 | cs |
| dcterms.modified | 2024-06-18-15:43:09 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta informačních technologií | cs |
| sync.item.dbid | 154232 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2025.03.26 15:38:13 | en |
| sync.item.modts | 2025.01.17 14:03:34 | en |
| thesis.discipline | Strojové učení | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů | cs |
| thesis.level | Inženýrský | cs |
| thesis.name | Ing. | cs |