Klasifikace dat popsaných stromovou strukturou

Abstract

akalářská práce se zabývá klasifikací dat popsaných stromovou strukturou. V rámci práce je uvedeno a důkladně popsáno široké spektrum různých matematických disciplín a teorie optimalizace, které je posléze aplikováno na demonstrativní příklady. Odvozen je též mocný optimalizační nástroj v oblasti bayesovského strojového učení jménem Evidence Lower Bound. Předvedeny jsou neuronové sítě a jejich souvislost s logistickou regresí a klasifikačními úlohami. Velký důraz je kladen na uchopení pojmu vysvětlitelné umělé inteligence a reprezentace modelů pomocí řídkých parametrizací. Zejména na metodu Automatic Relevance Determination a její význam. Závěrem jsou popsány koncept vnořeného prostoru a v současnosti dynamicky rozvíjející se hierarchické více-instanční učení včetně jeho spojení se stromovými strukturami.

The bachelor thesis deals with the classification of tree — structured data. The thesis presents and thoroughly describes a wide range of the different mathematical disciplines and optimization theory, which is then applied to the demonstrative examples. A powerful optimization tool in Bayesian machine learning called Evidence Lower Bond is also derived. Neural networks and their connection with logistic regression and classification tasks are presented. Great emphasis is placed on grasping of concept of explainable artificial intelligence and model representation using sparse parameterizations. Especially on the Automatic Relevance Determination method and its significance. The concept of embedded space and the currently dynamically developing hierarchical multi-instance learning, including its connection with tree structures, are finally described.