Metody redukce dimenze pro dataset funkční mapy světa
Dimensionality Reduction Methods for the Functional Map of the World Dataset
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Jan Macek
Vedoucí práce
Reinštein Michal
Oponent práce
Faigl Jan
Studijní program
Softwarové inženýrství a technologieInstituce přidělující hodnost
katedra počítačůPráva
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
Algoritmy redukce dimenze jsou skvělé pro hlubší pochopení datového souboru. V posledních letech jsme viděli růst algoritmů pro výběr prvků, konkrétně podtřídy sousedních grafů. V této práci jsme se zaměřili na nejmodernější algoritmus UMAP a aplikovali jsme na nejmodernější datový soubor fMoW. Poté porovnáme výsledky UMAP se starší konkurenční metodou t-SNE. Podíváme se na silné a slabé stránky obou metod a možné obtíže při aplikaci na komplexní datový soubor fMoW. Na základě těchto výsledků implementujeme a školíme neuronovou síť EfficientNet na datovém souboru fMoW. Dimensionality reduction algorithms are great for a deeper understanding of the dataset. In recent years we saw grow of feature selection algorithms more specifically subclass of neighbor graphs. In this work, we focused on the state of the art algorithm UMAP and applicated for the state of the art fMoW dataset. We then compare UMAP results, with older competing method t-SNE. We look at there strengths and weaknesses of both methods and possible difficulties in the application on the complex fMoW dataset. Based on these results, we implement and trained EfficientNet neural network on the fMoW dataset.
Kolekce
- Bakalářské práce - 13136 [1124]