but.committee	doc. Ing. František Zbořil, CSc. (předseda) prof. Ing. Lukáš Sekanina, Ph.D. (místopředseda) doc. Ing. Michal Bidlo, Ph.D. (člen) Ing. Martin Hrubý, Ph.D. (člen) prof. Ing. Radomil Matoušek, 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 dobře (C). Otázky u obhajoby: Rmsprop a grmsprop technika trénování neuronových sítí vám vycházela nejlépe, nicméně v práci je o ní minimum technických informací. Můžete ji popsat a zdůvodnit proč dává dobré výsledky? Jaký je rozdíl v úspěšnosti standardních a CTC systémů? V čem si myslíte, že spočívá problém nestability CTC algoritmu?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Veselý, Karel	cs
dc.contributor.author	Nováčik, Tomáš	cs
dc.contributor.referee	Karafiát, Martin	cs
dc.date.created	2016	cs
dc.description.abstract	Tato diplomová práce se zabývá implementací rekurentních neuronových sítí v prostředí jazyka lua za pomocí knihovny torch. Řeší problematiku trénování rekurentních neuronových sítí a to jak z hlediska optimální trénovací strategie, tak z hlediska urychlení trénovacího procesu. Zkoumá zakomponování technik batch normalizace a dropout do architektur rekurentních neuronových sítí. Jednotlivé typy rekurentních sítí jsou následně porovnány na úkolu rozpoznávání řeči prostřednictvým datové sady AMI, kde slouží pro modelování akustického modelu, a dochází ke srovnání s klasickou dopřednou neuronovou sítí. Nejlepší výsledek je dosažen prostřednictvým rekurentní neuronové sítě BLSTM. Následně dojde k natrénování rekurentních neuronových sítí prostřednictvím objektivní funkce CTC na databázi TIMIT, kde nejlepšího výsledku opět dosáhne BLSTM.	cs
dc.description.abstract	This master thesis deals with the implementation of various types of recurrent neural networks via programming language lua using torch library. It focuses on finding optimal strategy for training recurrent neural networks and also tries to minimize the duration of the training. Furthermore various types of regularization techniques are investigated and implemented into the recurrent neural network architecture. Implemented recurrent neural networks are compared on the speech recognition task using AMI dataset, where they model the acustic information. Their performance is also compared to standard feedforward neural network. Best results are achieved using BLSTM architecture. The recurrent neural network are also trained via CTC objective function on the TIMIT dataset. Best result is again achieved using BLSTM architecture.	en
dc.description.mark	C	cs
dc.identifier.citation	NOVÁČIK, T. Rekurentní neuronové sítě pro rozpoznávání řeči [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2016.	cs
dc.identifier.other	96593	cs
dc.identifier.uri	http://hdl.handle.net/11012/61863
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	ctc	cs
dc.subject	irnn	cs
dc.subject	rnn	cs
dc.subject	lstm	cs
dc.subject	gru	cs
dc.subject	kaldi	cs
dc.subject	eesen	cs
dc.subject	rekurentní neuronové sítě	cs
dc.subject	rozpoznávání řeči	cs
dc.subject	torch	cs
dc.subject	paralelní zpracování sekvencí	cs
dc.subject	akustický model	cs
dc.subject	batch normalizace	cs
dc.subject	ami	cs
dc.subject	timit	cs
dc.subject	ctc	en
dc.subject	irnn	en
dc.subject	rnn	en
dc.subject	lstm	en
dc.subject	gru	en
dc.subject	kaldi	en
dc.subject	eesen	en
dc.subject	recurrent neural networks	en
dc.subject	speech recognition	en
dc.subject	torch	en
dc.subject	parallel sequence processing	en
dc.subject	acustic model	en
dc.subject	batch normalization	en
dc.subject	ami	en
dc.subject	timit	en
dc.title	Rekurentní neuronové sítě pro rozpoznávání řeči	cs
dc.title.alternative	Recurrent Neural Networks for Speech Recognition	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2016-06-21	cs
dcterms.modified	2020-05-10-16:12:44	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	96593	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:22:13	en
sync.item.modts	2025.01.15 17:17:52	en
thesis.discipline	Inteligentní systémy	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Rekurentní neuronové sítě pro rozpoznávání řeči

Files

Original bundle

Collections