but.committee	doc. Ing. František Zbořil, Ph.D. (předseda) doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda) Ing. Michal Hradiš, Ph.D. (člen) Ing. Lukáš Kekely, Ph.D. (člen) Ing. Vladimír Veselý, Ph.D. (člen)	cs
but.defence	Studentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Limitations of the quadratic path approach Why Lagrange's interpolation polynomial is used over other quadratic interpolation techniques ? How this method can be extended ? Co přesně interpolujete? Proč si např. neuložíte více stavů sítě?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Beneš, Karel	en
dc.contributor.author	Němcová, Silvie	en
dc.contributor.referee	Baskar, Murali Karthick	en
dc.date.created	2021	cs
dc.description.abstract	Tato práce se zabývá studiem průběhu trénování modelu neuronové sítě. Cílem je zobrazit a zkoumat trénovací proces modelu neuronové sítě. Pro tyto účely jsem zvolila implementaci v jazyce Python. Implementace úspěšně replikuje vizualizaci průběhu trénování pommocí lineární interpolace, identifikaci robustních a ambient vrstev a zobrazení plochy, vytvořené účelovou funkcí okolo natrénovaného modelu. V této práci je navržena a představena metoda zobrazovaní průběhu trénování pomocí kvadratické interpolace parametrů. Výsledek práce je znázorněn grafy a diskuzí nad dopady změn parametrů modelu na jeho trénování.	en
dc.description.abstract	This work studies a neural network model during its training. The aim of this thesis is to visualize the training of the model and to examine the training. To achieve this goal I choose to implement a set of tools in Python language. The implementation successfully reproduces the linear path experiment, the identification of robust and ambient layers and the visualization of the loss surface. In addition the quadratic path experiment is presented in this thesis as novel method for analyzing the neural network training progress visualization.	cs
dc.description.mark	A	cs
dc.identifier.citation	NĚMCOVÁ, S. Vizualizace průběhu trénování neuronové sítě [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.	cs
dc.identifier.other	136462	cs
dc.identifier.uri	http://hdl.handle.net/11012/199333
dc.language.iso	en	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	en
dc.subject	neuronové sítě	en
dc.subject	trénování neuronové sítě	en
dc.subject	Python	en
dc.subject	vizualizace trénování neuronové sítě.	en
dc.subject	Artificial intelligence	cs
dc.subject	neural networks	cs
dc.subject	neural network training	cs
dc.subject	Python	cs
dc.subject	neural network training visualization.	cs
dc.title	Vizualizace průběhu trénování neuronové sítě	en
dc.title.alternative	Neural Network Training Progress Visualization	cs
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2021-06-15	cs
dcterms.modified	2021-06-19-12:15:56	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	136462	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:35:05	en
sync.item.modts	2025.01.17 09:55:25	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

Vizualizace průběhu trénování neuronové sítě

Files

Original bundle

Collections