but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Ing. František Zbořil, CSc. (místopředseda) Ing. Vladimír Bartík, Ph.D. (člen) RNDr. Vlasta Krupková, CSc. (člen) Ing. Josef Strnadel, 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 na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: Jaké konkrétní klasifikační metody jsou tradiční a které moderní?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Hradiš, Michal	cs
dc.contributor.author	Beneš, Štěpán	cs
dc.contributor.referee	Fajčík, Martin	cs
dc.date.accessioned	2019-06-14T10:55:59Z
dc.date.available	2019-06-14T10:55:59Z
dc.date.created	2018	cs
dc.description.abstract	Práce se věnuje problematice propojení aktivního učení a konvolučních neuronových sítí při rozpoznávání obrazu. Cílem je pozorovat chování vybraných strategií aktivního učení v širším spektru podmínek. Nejprve se v práci nachází teoretický úvod do problematiky aktivního učení, následně je věnován prostor motivaci a obtížím spojení aktivního učení s neuronovými sítěmi. Samotné chování vybraných strategií při kontinuálním učení je pak pozorováno pomocí několika experimentů, testujících závislost výkonu na obtížnosti datasetu, kvalitě trénovaného modelu, trénovacích epochách, velikosti přidávané sady vzorků, spolehlivosti anotátora a použití techniky pseudo-označování. Výsledky ukazují závislost kontinuálního aktivního učení na obtížnosti datasetu a počtu trénovacích iterací, dále pak odolnost strategií na rozumnou míru chybovosti anotátora. Benefity z pseudo-označování jsou úzce spjaty s dostatečnou kvalitou modelu. Konečně, tradiční strategie aktivního učení mohou v několika případech konkurovat strategiím šitým na míru pro konvoluční sítě.	cs
dc.description.abstract	The topic of this thesis is the combination of active learning strategies used in conjunction with deep convolutional networks in image recognition tasks. The goal is to observe the behaviour of selected active learning strategies in a wider array of conditions. The first section of the thesis is dedicated to the theory of active learning, followed by the motivation and challenges of combining them with convolutional neural networks. The goal of this thesis is achieved by a series of experiments, in which the behaviour of active learning strategies is tested for dependencies on the difficulty of the dataset, quality of the learning model, number of training epochs, the size of a batch of samples added in each iteration, the oracle's consistency and the usage of pseudo-labeling technique. The results show the dependency of continuous active learning on the number of training epochs in each iteration and the difficulty of a given dataset. Chosen strategies also seem somewhat resistant to the oracle's faults. The benefits of using pseudo-labeling come hand in hand with the quality of the learning model. Finally, traditional active learning strategies have shown in some cases that they are capable of keeping the pace with modern, tailored strategies.	en
dc.description.mark	B	cs
dc.identifier.citation	BENEŠ, Š. Aktivní učení s neuronovými sítěmi [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114533	cs
dc.identifier.uri	http://hdl.handle.net/11012/85154
dc.language.iso	cs	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	aktivní učení	cs
dc.subject	konvoluční neuronové sítě	cs
dc.subject	rozpoznávání obrazu	cs
dc.subject	strojové učení	cs
dc.subject	umělá inteligence	cs
dc.subject	active learning	en
dc.subject	convolutional neural networks	en
dc.subject	image recognition	en
dc.subject	machine learning	en
dc.subject	artificial intelligence	en
dc.title	Aktivní učení s neuronovými sítěmi	cs
dc.title.alternative	Active Learning with Neural Networks	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2018-06-11	cs
dcterms.modified	2020-05-10-16:11:57	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114533	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.22 22:59:45	en
sync.item.modts	2021.11.22 22:35:20	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Aktivní učení s neuronovými sítěmi

Files

Original bundle

Collections