ČVUT DSpace
  • Search DSpace
  • Čeština
  • Login
  • Čeština
  • Čeština
View Item 
  •   ČVUT DSpace
  • Czech Technical University in Prague
  • Faculty of Nuclear Sciences and Physical Engineering
  • Department of Mathematics
  • Bachelor Theses - 14101
  • View Item
  • Czech Technical University in Prague
  • Faculty of Nuclear Sciences and Physical Engineering
  • Department of Mathematics
  • Bachelor Theses - 14101
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Robustní postupy při trénování neuronových sítí

Robust approaches to training neural networks

Type of document
bakalářská práce
bachelor thesis
Author
Tobišková Nicole
Supervisor
Kalina Jan
Opponent
Coufal David
Field of study
Matematická informatika
Study program
Aplikace přírodních věd
Institutions assigning rank
katedra matematiky
Defended
2018-09-07



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
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
Metadata
Show full item record
Abstract
Cílem této práce je propojit dosavadní poznatky o neuronových sítích se statistickými metodami a navrhnout a implementovat robustní verzi algoritmu zpětné propagace. Algoritmus zpětné propagace, založený na minimalizaci sumy nejmenších čtverců, není robustní vůči odlehlým pozorováním. Absenci robustnosti řešíme ve statistice mimo jiné pomocí metody LTS. V této práci jsme pomocí metody LTS upravili ztrátovou funkci neuronové sítě a navrhli tak robustní verzi algoritmu zpětné propagace pro regresní úlohu. Obě verze algoritmu byly porovnány na různých datech s různými typy odlehlých hodnot a s různou mírou kontaminace. Na základě těchto výpočtů nakonec můžeme kriticky zformulovat různé výhody i nevýhody robustního trénování neuronových sítí.
 
The aim of this work is to summarize current knowlage about neural networks and to derive and implement the robust version of the backpropagation learning algorithm. The backpropagation learning algorithm is based on the minimalization of the mean squared error loss function. However this algorithm is not robust in the presence of outliers. To rubustify neural network we used the LTS (least trimmed squares) method. Both versions were compared and tested on various datasets.
 
URI
http://hdl.handle.net/10467/80166
Collections
  • Bakalářské práce - 14101 [312]

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Contact Us | Send Feedback
Theme by 
@mire NV
 

 

Useful links

CTU in PragueCentral library of CTUAbout CTU Digital LibraryResourcesStudy and library skillsResearch support

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

My Account

Login

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Contact Us | Send Feedback
Theme by 
@mire NV