Rekurentní neuronové sítě pro klasifikaci textů

Simple item page
but.committeeprof. Ing. Zdeněk Smékal, CSc. (předseda) doc. Ing. Kamil Říha, Ph.D. (místopředseda) doc. Ing. Jiří Mekyska, Ph.D. (člen) Ing. Hicham Atassi, Ph.D. (člen) Ing. Jakub Frolka (člen) doc. Ing. Petr Sysel, Ph.D. (člen)cs
but.defenceVysvětlete pojem obousměrná neuronová síť. Vyjmenujte nástroje, které jste použili.cs
but.jazykčeština (Czech)
but.programElektrotechnika, elektronika, komunikační a řídicí technikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorPovoda, Lukášcs
dc.contributor.authorMyška, Vojtěchcs
dc.contributor.refereeKolařík, Martincs
dc.date.created2018cs
dc.description.abstractDiplomová práce se zabývá návrhem neuronových sítí pro klasifikaci pozitivních a negativních textů. Vývoj probíhal v programovacím jazyce Python. Návrh modelů hlubokých neuronových sítí byl proveden pomocí vysokoúrovňového API Keras využívající knihovnu pro numerické výpočty TensorFlow. Výpočetní operace byly provedeny pomocí GPU využívající CUDA architekturu. Výstupem práce je jazykově nezávislý model neuronových sítí umožňující klasifikaci textů na úrovni znaků. Vzorky byly úspěšně klasifikovány až v 93,64% případů. Trénovací a testovací data byla poskytnuta vícejazyčnou a Yelp databází. Simulace byly provedeny na 1200000 anglických, 12000 českých, německých a španělských textů.cs
dc.description.abstractThesis deals with the proposal of the neural networks for classification of positive and negative texts. Development took place in the Python programming language. Design of deep neural network models was performed using the Keras high-level API and the TensorFlow numerical computation library. The computations were performed using GPU with support of the CUDA architecture. The final outcome of the thesis is linguistically independent neural network model for classifying texts at character level reaching up to 93,64% accuracy. Training and testing data were provided by multilingual and Yelp databases. The simulations were performed on 1200000 English, 12000 Czech, German and Spanish texts.en
dc.description.markAcs
dc.identifier.citationMYŠKA, V. Rekurentní neuronové sítě pro klasifikaci textů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.cs
dc.identifier.other110077cs
dc.identifier.urihttp://hdl.handle.net/11012/80785
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectneuronové sítěcs
dc.subjectklasifikace textůcs
dc.subjecthluboké učenícs
dc.subjectrekurentní neuronové sítěcs
dc.subjectKerascs
dc.subjectTensorFlowcs
dc.subjectCUDAcs
dc.subjectKexcs
dc.subjectneural networksen
dc.subjecttexts classificationen
dc.subjectdeep learningen
dc.subjectrecurrent neural networksen
dc.subjectKerasen
dc.subjectTensorFlowen
dc.subjectCUDAen
dc.subjectKexen
dc.titleRekurentní neuronové sítě pro klasifikaci textůcs
dc.title.alternativeRecurrent Neural Network for Text Classificationen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2018-06-06cs
dcterms.modified2018-06-08-11:09:50cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid110077en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 13:31:31en
sync.item.modts2025.01.15 20:57:52en
thesis.disciplineTelekomunikační a informační technikacs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
5.9 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
10.45 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_110077.html
Size:
3.81 KB
Format:
Hypertext Markup Language
Description:
file review_110077.html
Download
Collections
2018