Vizuální Sudoku solver
Visual Sudoku Solver
dc.contributor.advisor | Franc Vojtěch | |
dc.contributor.author | Tomáš Kadlec | |
dc.date.accessioned | 2022-06-02T22:51:59Z | |
dc.date.available | 2022-06-02T22:51:59Z | |
dc.date.issued | 2022-06-02 | |
dc.identifier | KOS-958759852505 | |
dc.identifier.uri | http://hdl.handle.net/10467/100998 | |
dc.description.abstract | Problém, kterým se zabýváme, je učení vizuálního Sudoku solveru z příkladů. Na solver se díváme jako na typ klasifikátoru se strukturovaným výstupem, založeném na Markovově Síti (MS). Nedávno navržené rozšířeni algoritmu Maximum Margin Markov Network (M3N) je schopné učit lineární MS klasifikátor s libovolnou sousedskou strukturou s využitím kompletně i částečně anotovaných dat. V této práci navrhneme propojení MS klasifikátoru s neuronovými sítěmi. Ukážeme, jakým způsobem využít M3N algoritmus k souběžnému učení parametrů MS klasifikátoru a neuronové sítě, sloužící k extrakci příznaků klasifikátoru. Experimentálně ukážeme, že vizuální Sudoku solver, naučený navrženou metodou překoná všechny srovnávané metody a dosáhne 97% přesnosti. | cze |
dc.description.abstract | We address the problem of learning a visual Sudoku solver from examples. We see the solver as an instance of Markov Network (MN) based structured output classifier. The recently proposed extension of the Maximum Margin Markov Network (M3N) algorithm can learn the linear Markov Network classifier with an arbitrary neighborhood structure using completely annotated and partially annotated training examples. In this thesis, we propose to integrate the MN classifier with neural networks. We show how to use the M3N algorithm to learn the parameters of the MN classifier simultaneously with a neural network to extract the features of the classifier. We show experimentally that the visual Sudoku solver learned by the proposed method outperforms all baselines, achieving a test accuracy of 97%. | eng |
dc.publisher | České vysoké učení technické v Praze. Vypočetní a informační centrum. | cze |
dc.publisher | Czech Technical University in Prague. Computing and Information Centre. | eng |
dc.rights | A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html | eng |
dc.rights | Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html | cze |
dc.subject | Markovovy sítě | cze |
dc.subject | neuronové sítě | cze |
dc.subject | učení | cze |
dc.subject | sudoku | cze |
dc.subject | Markov networks | eng |
dc.subject | neural networks | eng |
dc.subject | learning | eng |
dc.subject | Sudoku | eng |
dc.title | Vizuální Sudoku solver | cze |
dc.title | Visual Sudoku Solver | eng |
dc.type | bakalářská práce | cze |
dc.type | bachelor thesis | eng |
dc.contributor.referee | Čech Jan | |
theses.degree.grantor | katedra kybernetiky | cze |
theses.degree.programme | Kybernetika a robotika | cze |
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
-
Bakalářské práce - 13133 [778]