Vstupní data a jejich význam pro vrstevnaté neuronové sítě

• Název práce v češtině: Vstupní data a jejich význam pro vrstevnaté neuronové sítě
• Název v anglickém jazyce: Input data and their significance for multi-layered feed-forward neural networks
• Akademický rok vypsání: 2007/2008
• Typ práce: diplomová práce
• Jazyk práce: angličtina
• Ústav: Katedra softwarového inženýrství (32-KSI)
• Vedoucí / školitel: doc. RNDr. Iveta Mrázová, CSc.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 01.11.2007
• Datum zadání: 01.11.2007
• Datum a čas obhajoby: 13.09.2010 00:00
• Datum odevzdání elektronické podoby: 13.09.2010
• Datum proběhlé obhajoby: 13.09.2010
• Oponenti: RNDr. Jiří Iša

Zásady pro vypracování

The student shall review the following topics in the diploma thesis:

- overview and comparison of various paradigms applicable to learning of multi-layered neural networks (the backpropagation algorithm, conjugate gradients, learning with hints etc.)

- recapitulation and mutual comparison of known techniques suitable for the estimation of the significance of presented patterns and their features for training and recall of a given network (e.g. enforced internal representation, sensitivity analysis, models based on the principles of self-organization, etc.)

- interpretation and visualization of the detected dependencies - e.g. of outliers and the assigned semantics

The student will focus on some of these topics in more detail. Further, he will propose a suitable strategy for data pre-processing based on real-world data and he shall implement the models. The evaluation of the obtained results and gained experience shall form an important part of the thesis.

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:
- S. G. Pierce, Y. Ben-Haim, K. Worden, G. Manson: Evaluation of
neural network robust reliability using information-gap theory, in:
IEEE Transactions on Neural Networks, Vol. 17, No. 6, (2006), pp.
1349-1361.
- X. Zeng, D. S. Yeung: Sensitivity analysis of multilayer perceptron
to input and weight perturbations, in: IEEE Transactions on Neural
Networks, Vol. 12, No. 6, (2001), pp. 1358-1366.
- F. Flentge: Locally weighted interpolating growing neural gas, in:
IEEE Transactions on Neural Networks, Vol. 17, No. 6, (2006), pp.
1382-1393.
- I. Mrázová, D. Wang: Improved generalization of neural classifiers
with enforced internal representation, in: Neurocomputing, Vol.
70, (2007), pp. 2940-2952.
- N. Karayiannis, Y. Xiong: Training reformulated radial basis
function neural networks capable of identifying uncertainty in data
classification, in: IEEE Transactions on Neural Networks, Vol. 17,
No. 5, (2006), pp. 1222-1234.

3. Aktuální články z profilujících světových časopisů, např.:
Neurocomputing, Neural