but.committee	prof. Dr. Ing. Jan Černocký (předseda) doc. Ing. Jiří Jaroš, Ph.D. (místopředseda) doc. RNDr. Michal Novák, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen) RNDr. Marek Rychlý, 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 "B". Otázky u obhajoby: 1. The application you developed only works for 2 dimensional data. Would you be able to make it work for higher dimensional, with the plot of cross entropy loss function in 2D	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Beneš, Karel	cs
dc.contributor.author	Bak, Adam	cs
dc.contributor.referee	Kesiraju, Santosh	cs
dc.date.created	2018	cs
dc.description.abstract	Táto bakalárska práca sa zaoberá lineárnou logistickou regresiou, modelom pre strojové učenie. Cieľom tejto práce je podrobne preskúmať a zanalyzovať ako tento klasifikačný model funguje, aby bolo možné vyvinúť učebnú pomôcku vo forme demonštračnej aplikácie. Všetky matematické rovnice, logistická sigmoida, chybová funkcia vzájomnej entropie, metóda najväčšieho spádu sú odvodené a podrobne vysvetlené. Táto práca tiež prináša náhľad do tvaru grafu chybovej funkcie vzájomnej entropie v prípade lineárnej logistickej regresie.	cs
dc.description.abstract	This bachelor's thesis deals with the machine learning model logistic regression.The aim is to closely inspect and analyze the workings of this model for classification, in order to be able to provide a learning tool in the form of demonstrative application. All of the mathematical formulae, logistic sigmoid, cross entropy error function and gradient are derived and explained in a concise manner. This thesis also provides some insight into the form of the cross entropy error function in the case of linear logistic regression.	en
dc.description.mark	B	cs
dc.identifier.citation	BAK, A. Demonstrační aplikace lineární logistické regrese [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114613	cs
dc.identifier.uri	http://hdl.handle.net/11012/85101
dc.language.iso	cs	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	strojové učenie	cs
dc.subject	logistická regresia	cs
dc.subject	klasifikácia	cs
dc.subject	generalizované lineárne modely	cs
dc.subject	pravdepodobnostno generatívne modely	cs
dc.subject	logistická sigmoida	cs
dc.subject	chybová funkcia vzájomnej entropie	cs
dc.subject	metóda najväčšieho spádu	cs
dc.subject	machine learning	en
dc.subject	logistic regression	en
dc.subject	classification	en
dc.subject	generalized linear models	en
dc.subject	probabilistic generative models	en
dc.subject	logistic sigmoid	en
dc.subject	cross entropy error function	en
dc.subject	gradient descent	en
dc.title	Demonstrační aplikace lineární logistické regrese	cs
dc.title.alternative	Linear Logistic Regression Demo	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2018-06-12	cs
dcterms.modified	2020-05-10-16:13:12	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114613	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:06:18	en
sync.item.modts	2025.01.17 09:58:11	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Demonstrační aplikace lineární logistické regrese

Files

Original bundle

Collections