Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 348)
Detail práce
   Přihlásit přes CAS
Vrstevnaté neuronové sítě a jejich aplikace při dobývání znalostí
Název práce v češtině: Vrstevnaté neuronové sítě a jejich aplikace při dobývání
znalostí
Název v anglickém jazyce: Feed-forward neural networks and their application in data mining
Akademický rok vypsání: 2005/2006
Typ práce: diplomová práce
Jazyk práce: čeština
Ústav: Katedra softwarového inženýrství (32-KSI)
Vedoucí / školitel: doc. RNDr. Iveta Mrázová, CSc.
Řešitel: skrytý - zadáno a potvrzeno stud. odd.
Datum přihlášení: 06.10.2005
Datum zadání: 06.10.2005
Datum a čas obhajoby: 11.09.2006 00:00
Datum odevzdání elektronické podoby:11.09.2006
Datum odevzdání tištěné podoby:11.09.2006
Datum proběhlé obhajoby: 11.09.2006
Oponenti: RNDr. Jana Štanclová, Ph.D.
 
 
 
Zásady pro vypracování
V diplomové práci posluchač přehledově zpracuje následující témata:

- rekapitulace a srovnání různých paradigmat použitelných pro učení vrstevnatých
neuronových sítí (především algoritmy založené na principu zpětného šíření,
modulární a hybridní modely umělých neuronových sítí)
- předzpracování vstupních dat a experimentální ověření výhod modelů učení
s nápovědou (learning with hints)
- adaptivní a automatická detekce významných vstupních parametrů.

Na některé z uvedených témat se diplomant zaměří detailněji a na základě reálných dat navrhne vhodnou strategii pro předzpracování vstupních dat a přistoupí k realizaci jednotlivých modelů. Součástí práce bude i zhodnocení vlastních výsledků a zkušeností.
Seznam odborné literatury
1. Některé z dostupných základních učebnic vhodných pro zvolené téma, např.:
- M. Berry, G. Linoff: Data Mining Techniques For Marketing, Sales, and
Customer Support, John Wiley & Sons, 1997
- R. Rojas: Neural Networks: A Systematic Introduction, Springer-Verlag, 1996
- S. Haykin: Neural Networks: A Comprehensive Foundation, Prentice Hall, Upper
Saddle River, N. J., 1999

2. Články:
- M. Ishikawa: Rule Extraction by Successive Regularization, in: Neural Networks,
Vol. 13, (2000), pp. 1171-1183.
- Jeong, S. Y. And Lee, S. Y.: Merging back-propagation and Hebbian learning rules
for robust classification, in: Neural Networks, Vol. 9, (1996), pp. 1213-1222.
- I. Mrázová: Generalized Relief Error Networks and Patterns with Lower Errors,
in: Int. Journal of Smart Engineering System Design, Vol. 4, (2002), pp. 163-176.
- Y. Abu-Mostafa: Learning from Hints, in: Journal of Complexity, Vol. 10, (1994),
pp.165-178.

3. Aktuální články z profilujících světových časopisů, např.: Neurocomputing, Neural
Networks, IEEE Transactions on Neural Networks ap.
 
Univerzita Karlova | Informační systém UK