Evoluční návrh neuronových sítí využívající generativní kódování
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cílem této práce je navrhnout a implementovat metodu pro návrh neuronové sítě, která bude využívat generativní kódování. Navržená metoda, která vychází z metody J. F. Millera, je založena na vytvoření modelu mozku, který je postupně vyvíjen, a ze kterého lze extrahovat klasickou neuronovou síť. Vývin mozku je řízen programy vytvořenými pomocí kartézského genetického programování. Implementace byla provedena v jazyce Python s použitím knihovny Numpy. Při experimentování se ukázalo, že metoda je schopná vytvářet neuronové sítě, které na menších datových sadách dosahují přesnosti přesahující 90 %. Metoda je zároveň schopna vytvářet neuronové sítě řešící více problémů naráz, za cenu mírného snížení dosažené přesnosti.
The aim of this work is to design and implement a method for the evolutionary design of neural networks with generative encoding. The proposed method is based on J. F. Miller's approach and uses a brain model that is gradually developed and which allows extraction of traditional neural networks. The development of the brain is controlled by programs created using cartesian genetic programming. The project was implemented in Python with the use of Numpy library. Experiments have shown that the proposed method is able to construct neural networks that achieve over 90 % accuracy on smaller datasets. The method is also able to develop neural networks capable of solving multiple problems at once while slightly reducing accuracy.
The aim of this work is to design and implement a method for the evolutionary design of neural networks with generative encoding. The proposed method is based on J. F. Miller's approach and uses a brain model that is gradually developed and which allows extraction of traditional neural networks. The development of the brain is controlled by programs created using cartesian genetic programming. The project was implemented in Python with the use of Numpy library. Experiments have shown that the proposed method is able to construct neural networks that achieve over 90 % accuracy on smaller datasets. The method is also able to develop neural networks capable of solving multiple problems at once while slightly reducing accuracy.
Description
Citation
HYTYCHOVÁ, T. Evoluční návrh neuronových sítí využívající generativní kódování [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Inteligentní systémy
Comittee
doc. Ing. František Zbořil, CSc. (předseda)
doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda)
Ing. Michal Hradiš, Ph.D. (člen)
Dr. Ing. Petr Peringer (člen)
Ing. Jaroslav Rozman, Ph.D. (člen)
Ing. Aleš Smrčka, Ph.D. (člen)
Date of acceptance
2021-06-22
Defence
Studentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: Máte informace o tom, jakým způsobem konkrétně popisují použité datové sady klasifikované objekty? Jakým způsobem byste datové sady upravila pro zvýšení přesnosti klasifikace (jak to zmiňujete na str. 41)? Jak je možné, že je medián přesnosti klasifikace na testovací sadě v tab. 7.7 na hodnotě 1, když je průměr 0.98? Jaké datasety jste použila? Kdy předáváte neuronu bias?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení