Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 336)
Detail práce
   Přihlásit přes CAS
Optimalizační metody prvního řádu v úlohách strojového učení
Název práce v češtině: Optimalizační metody prvního řádu v úlohách strojového učení
Název v anglickém jazyce: First order optimization methods in machine learning problems
Klíčová slova: Stochastický gradient, strojové učení, optimalizace
Klíčová slova anglicky: Stochastic gradient, machine learning, optimization
Akademický rok vypsání: 2019/2020
Typ práce: bakalářská práce
Jazyk práce: čeština
Ústav: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
Vedoucí / školitel: doc. RNDr. Martin Branda, Ph.D.
Řešitel: skrytý - zadáno a potvrzeno stud. odd.
Datum přihlášení: 14.09.2019
Datum zadání: 14.09.2019
Datum potvrzení stud. oddělením: 21.11.2019
Datum a čas obhajoby: 14.07.2020 08:00
Datum odevzdání elektronické podoby:04.06.2020
Datum odevzdání tištěné podoby:04.06.2020
Datum proběhlé obhajoby: 14.07.2020
Oponenti: RNDr. Karel Kozmík
 
 
 
Zásady pro vypracování
Odhad modelů strojového učení vede na složité optimalizační úlohy, kde náročnost spočívá především v nekonvexitě účelové funkce a velkém množství dat. Řešitel(-ka) se zaměří na metody prvního řadu, speciálně pak na metodu stochastického gradientu. Popsány budou její varianty a bude diskutována konvergence představených metod. Součástí práce bude numerická studie využívající představené teoretické výsledky.
Seznam odborné literatury
L. Bottou, F. Curtis, and J. Nocedal. Optimization methods for large-scale machine learning. SIAM Review, 60(2):223–311, 2018.

J. Nocedal and J.S., Wright. Numerical optimization, Springer, New York, 2nd edition, 2006.
 
Univerzita Karlova | Informační systém UK