Algoritmy strojového učení pro aproximaci inverzních matic
Machine learning algorithms for approximation of inverse matrices
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Viktor Bílek
Vedoucí práce
Oberhuber Tomáš
Oponent práce
Škardová Kateřina
Studijní obor
Matematické inženýrstvíStudijní program
Aplikace přírodních vědInstituce přidělující hodnost
katedra matematikyPráva
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.htmlVysokoškolská 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
Zobrazit celý záznamAbstrakt
Bakalářská práce se zabývá novým modelem strojového učení diferenciálními neuronovými sítěmi. Tento model nahrazuje diskrétní vrstvy klasické neuronové sítě obyčejnou diferenciální rovnicí. V první části práce je shrnut matematický aparát nutný k porozumění této metody a dále je podrobně rozebrán samotný princip diferenciálních neuronových sítí. Následně jsou popsány metody odhadu pravděpodobnostního rozdělení sestrojené pomocí těchto sítí. V poslední části práce se nachází výpočetní studie, kde pomocí tohoto modelu odhadujeme parametry obyčejných diferenciálních rovnic v závislosti na datech. Bachelor thesis deals with new machine learning technique differential neural networks. This technique allows to replace discrete layers of classical neural network with an ordinary diťferential equation. In the first part of this work we summarize the needed mathematical theory. Next, we describe mentioned diťferential neural networks. Afterwards, we describe methods of probability distribution estimation using these networks. In the last part we illustrate the results of estimation of the parameters of ordinary diťferential equation using this technique.
Kolekce
- Bakalářské práce - 14101 [278]