but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Ing. Lukáš Burget, Ph.D. (místopředseda) Ing. Vítězslav Beran, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. Zbyněk Křivka, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Z jaké práce jste vycházel? Jak jsou Vaše výstupy použitelné v praxi? Je Vaše práce někde nasazená?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Beneš, Karel	en
dc.contributor.author	Coufal, Martin	en
dc.contributor.referee	Landini, Federico Nicolás	en
dc.date.accessioned	2020-07-20T19:57:52Z
dc.date.available	2020-07-20T19:57:52Z
dc.date.created	2020	cs
dc.description.abstract	Cílem této diplomové práce je vytvoření nástroje pro optimalizaci hyper-parametrů umělých neuronových sítí. Tento nástroj musí být schopen optimalizovat více hyper-parametrů, které mohou být navíc i korelovány. Tento problém jsem vyřešil implmentací optimalizátoru, který využívá Gaussovské procesy k predikci vlivu jednotlivých hyperparametrů na výslednou přesnost neuronové sítě. Z provedených experimentů na několika benchmark funkcích jsem zjistil, že implementovaný nástroj je schopen dosáhnout lepších výsledků než optimalizátory založené na náhodném prohledávání a snížit tak v průměru počet potřebných kroků optimalizace. Optimalizace založená na náhodném prohledávání dosáhla lepších výsledků pouze v prvních krocích optimalizace, než si optimalizátor založený na Gaussovských procesech vytvoří dostatečně přesný model problému. Nicméně téměř všechny experimenty provedené na datasetu MNIST prokázaly lepší výsledky optimalizátoru založeného na náhodném prohledávání. Tyto rozdíly v provedených experimentech jsou pravděpodobně dány složitostí zvolených benchmark funkcí nebo zvolenými parametry implementovaného optimalizátoru.	en
dc.description.abstract	The goal of this thesis is to create a lightweight toolkit for artificial neural network hyper-parameter optimisation. The optimisation toolkit has to be able to optimise multiple, possibly correlated hyper-parameters. I solved this problem by creating an optimiser that uses Gaussian processes to predict the influence of the hyper-parameters on the resulting neural network accuracy. Based on the experiments on multiple benchmark functions, the toolkit is able to provide better results than random search optimisation and thus reduce the number of necessary optimisation steps. The random search optimisation provided better results only in the first few optimisation steps before Gaussian process optimisation creates sufficient model of the problem. However the experiments on MNIST dataset show that random optimisation achieves almost always better results than used GP optimiser. These differences between the experiments results are probably caused by insufficient complexity of the benchmarks or by selected parameters of the implemented optimiser.	cs
dc.description.mark	A	cs
dc.identifier.citation	COUFAL, M. Hyper-optimalizace neuronových sítí založená na Gaussovských procesech [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129270	cs
dc.identifier.uri	http://hdl.handle.net/11012/192452
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	optimalizace hyper-parametrů	en
dc.subject	Gaussovské procesy	en
dc.subject	optimalizace neuronových sítí	en
dc.subject	řešení regresních problémů	en
dc.subject	kernely	en
dc.subject	hyper-parameter tuning	cs
dc.subject	Gaussian processes	cs
dc.subject	neural networks optimisation	cs
dc.subject	regression problem solving	cs
dc.subject	kernels	cs
dc.title	Hyper-optimalizace neuronových sítí založená na Gaussovských procesech	en
dc.title.alternative	Gaussian Processes Based Hyper-Optimization of Neural Networks	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2020-07-17	cs
dcterms.modified	2020-07-17-14:44:57	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129270	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.12 20:14:22	en
sync.item.modts	2021.11.12 19:21:51	en
thesis.discipline	Inteligentní systémy	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Hyper-optimalizace neuronových sítí založená na Gaussovských procesech

Files

Original bundle

Collections