but.committee	prof. Ing. Lukáš Sekanina, Ph.D. (předseda) prof. Ing. Jan M. Honzík, CSc. (místopředseda) Ing. Radek Kočí, Ph.D. (člen) Ing. Zbyněk Křivka, Ph.D. (člen) Ing. Igor Szőke, 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 A. Otázky u obhajoby: V části 6.1.3 uvádíte, že použitá chybová funkce může způsobit předčasné ukončení učení sítě. Zkoušel jste zde použít jinou chybovou funkci, např. MSE, kterou jste použil v předchozích experimentech?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Sekanina, Lukáš	cs
dc.contributor.author	Bažík, Martin	cs
dc.contributor.referee	Wiglasz, Michal	cs
dc.date.created	2018	cs
dc.description.abstract	Cieľom tejto bakalárskej práce bolo navrhnúť, implementovať a analyzovať rôzne optimalizácie vybraných hlbokých neurónových sietí. Ich účelom bolo zlepšenie sledovaných parametrov neurónovej siete. Implementované optimalizácie spočívajú v práci s reprezentáciou dát využívaných operáciami neurónovej siete a hľadaní najlepšej kombinácie jej hyper-parametrov. Jednotlivé optimalizácie boli prevedené na konvolučných neurónových sieťach založených na architektúre LeNet-5 pri využití dátových sád MNIST, CIFAR-10 a SVHN. Implementácia a následná optimalizácia neurónových sietí boli prevedené využitím knižnice Tiny-dnn v programovacom jazyku C++.	cs
dc.description.abstract	The goal of this thesis was to design, implement and analyze various optimizations of deep neural networks, in order to improve the observed parameters. The optimizations are based on modification of the data representation used by neural network operations and searching for the best combination of its hyper-parameters. The convolutional neural networks used for these optimizations were built on LeNet-5 architecture and trained on MNIST, CIFAR-10, and SVHN datasets. The neural networks and their optimizations were implemented within Tiny-dnn library using C++ programming language.	en
dc.description.mark	A	cs
dc.identifier.citation	BAŽÍK, M. Optimalizace hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114839	cs
dc.identifier.uri	http://hdl.handle.net/11012/85115
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	hlboké neurónové siete	cs
dc.subject	optimalizácia	cs
dc.subject	aproximácia	cs
dc.subject	strojové učenie	cs
dc.subject	umelá inteligencia	cs
dc.subject	konvolučné neurónové siete	cs
dc.subject	deep neural networks	en
dc.subject	optimization	en
dc.subject	approximation	en
dc.subject	machine learning	en
dc.subject	artificial intelligence	en
dc.subject	convolutional neural networks	en
dc.title	Optimalizace hlubokých neuronových sítí	cs
dc.title.alternative	Deep Neural Network Optimization	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2018-06-12	cs
dcterms.modified	2020-05-10-16:13:25	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114839	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:06:36	en
sync.item.modts	2025.01.15 23:38:35	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Optimalizace hlubokých neuronových sítí

Files

Original bundle

Collections