Trénování neuronových sítí založené na vysoce robustních odhadech

Abstract

Diplomová práce je zaměřena na metody zabývající se nelineární regresní úlohou robustní vůči odlehlým hodnotám. Je zde představena nelineární regresní úloha a popsány tři (z nichž dvě nové) robustní metody pro řešení této úlohy založené na neuronových sítích. Následně je v diplomové práci provedeno porovnání metod z hlediska přesnosti pomocí křížové validace a z hlediska variability za použití neparametrického bootstrapu. Implementace je provedena v programovacím jazyce Python.

The diploma thesis is focused on methods dealing with a nonlinear regression problem robust against outliers. We introduce the nonlinear regression problem and describe three (two new) robust methods for solving this problem based on neural networks. Subsequently, the thesis compares the methods in terms of accuracy by means of cross-validation and in terms of variability using non-parametric bootstrap. The implementation is done in the programing language Python.