but.committee	prof. Ing. Lukáš Sekanina, Ph.D. (předseda) doc. Ing. František Zbořil, Ph.D. (místopředseda) Ing. Ivana Burgetová, Ph.D. (člen) doc. RNDr. Milan Češka, Ph.D. (člen) doc. Ing. Tomáš Martínek, Ph.D. (člen) prof. Ing. Radomil Matoušek, 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: V jakém rozmezí se pohybuje chyba simulačního modelu z kap. 6 a jaký má dopad na ohodnocení kvality hledaných řešení (tzv. fitness) ? Proč je doba simulace omezena na 1200 kroků (viz např. s. 52) ? Odůvodněte i) možnost současné aplikace více řidicích akcí během spojité simulace a ii) nutnost aplikace jediné řidicí akce během diskrétní simulace (viz kap. 6). Objasněte význam pojmu "lineární rychlost" (viz tabulky 6.2, 6.3 a 6.4 v podkap. 6.5). Z jakých příčin nebyla nalezena řešení v podkap. 6.5.2 a 6.5.3 ? Má smysl po těchto příčinách pátrat a lze znalost těchto příčin nějak využít , např. ke zkvalitnění procesu hledání řešení daného problému ?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Bidlo, Michal	cs
dc.contributor.author	Herec, Jan	cs
dc.contributor.referee	Strnadel, Josef	cs
dc.date.created	2018	cs
dc.description.abstract	Práce se na teoretické úrovni zabývá evolučními algoritmy (EA), neuronovými sítěmi (NN) a jejich syntézou v podobě neuroevoluce. Z praktického hlediska je cílem práce ukázat uplatnění neuroevoluce na dvou odlišných úlohách. První úloha spočívá v evolučním návrhu architektury konvoluční neuronové sítě (CNN), která by dokázala klasifikovat s vysokou přesností ručně psané číslice (z datasetu MNIST). Druhá úloha spočívá v evoluční optimalizaci vah neurokontroléru, který řídí přistání 1. stupně rakety Falcon 9 ve 2D simulaci. Obě úlohy jsou výpočetně velmi náročné a proto byly řešeny na superpočítači. V rámci první úlohy se podařilo navrhnout takové architektury, které při správném natrénování dosahují přesnosti klasifikace 99,49%. Ukázalo se tak, že je možné návrh kvalitních architektur zautomatizovat s využitím neuroevoluce. V rámci druhé úlohy se podařilo optimalizovat váhy neurokontroléru tak, že pro definované počáteční podmínky dovede neurokontrolér model rakety k úspěšnému přistání. V obou úlohách tedy neuroevoluce uspěla.	cs
dc.description.abstract	The theoretical part of this work deals with evolutionary algorithms (EA), neural networks (NN) and their synthesis in the form of neuroevolution. From a practical point of view, the aim of the work is to show the application of neuroevolution on two different tasks. The first task is the evolutionary design of the convolutional neural network (CNN) architecture that would be able to classify handwritten digits (from the MNIST dataset) with a high accurancy. The second task is the evolutionary optimization of neurocontroller for a simulated Falcon 9 rocket landing. Both tasks are computationally demanding and therefore have been solved on a supercomputer. As a part of the first task, it was possible to design such architectures which, when properly trained, achieve an accuracy of 99.49%. It turned out that it is possible to automate the design of high-quality architectures with the use of neuroevolution. Within the second task, the neuro-controller weights have been optimized so that, for defined initial conditions, the model of the Falcon booster can successfully land. Neuroevolution succeeded in both tasks.	en
dc.description.mark	B	cs
dc.identifier.citation	HEREC, J. Principy a aplikace neuroevoluce [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114845	cs
dc.identifier.uri	http://hdl.handle.net/11012/84862
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	Umělá inteligence	cs
dc.subject	Biocomputing	cs
dc.subject	Neuronová sít	cs
dc.subject	Konvoluční neuronová síť	cs
dc.subject	Evoluční algoritmus	cs
dc.subject	Genetický algoritmus	cs
dc.subject	Evoluční strategie	cs
dc.subject	Diferenciální evoluce	cs
dc.subject	Neuroevoluce	cs
dc.subject	Neurokontrolér	cs
dc.subject	Řídicí systém	cs
dc.subject	Falcon 9	cs
dc.subject	Superpočítání	cs
dc.subject	MNIST	cs
dc.subject	Klasifikace	cs
dc.subject	Artificial intelligence	en
dc.subject	Biocomputing	en
dc.subject	Neural network	en
dc.subject	Convolution neural network	en
dc.subject	Evolution algorithm	en
dc.subject	Genetic algorithm	en
dc.subject	Evolution Strategy	en
dc.subject	Differential Evolution	en
dc.subject	Neuroevolution	en
dc.subject	Neurocontroller	en
dc.subject	Control system	en
dc.subject	Falcon 9	en
dc.subject	Supercomputing	en
dc.subject	MNIST	en
dc.subject	Classification	en
dc.title	Principy a aplikace neuroevoluce	cs
dc.title.alternative	Neuroevolution Principles and Applications	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2018-06-19	cs
dcterms.modified	2020-05-10-16:13:26	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114845	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:26:10	en
sync.item.modts	2025.01.17 10:27:35	en
thesis.discipline	Bioinformatika a biocomputing	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Principy a aplikace neuroevoluce

Files

Original bundle

Collections