Tato práce se zabývá otázkou srovnání klasických metod učení neuronových sítí a metod využívajících evolučních algoritmů, jako například SOMA nebo diferenciální evoluce. Hlavním úkolem této práce bylo vytvořit funkční modul v prostředí Mathematica pro učení neuronových sítí s využitím evolučních algoritmů. Práce obsahuje jak teoretický základ pro danou problematiku, tak analýzu výsledků srovnání obou metod učení neuronových sítí.
Annotation in English
This paper deals with the question of comparison of classical methods used for training process of neural networks and methods using evolutionary algorithms such as SOMA or direrential evolution. The main task of this work was to create a functional module in the Mathematica environment for learning neural networks using evolutionary algorithms. The work contains both the theoretical basis for the issue and analyze the results of comparison between the two methods of learning in neural networks.
Keywords
SOMA, Diferenciální evoluce, neuronová síť, Perceptron, neuronová síť s dopředným šířením, Back propagation, Mathematica
Tato práce se zabývá otázkou srovnání klasických metod učení neuronových sítí a metod využívajících evolučních algoritmů, jako například SOMA nebo diferenciální evoluce. Hlavním úkolem této práce bylo vytvořit funkční modul v prostředí Mathematica pro učení neuronových sítí s využitím evolučních algoritmů. Práce obsahuje jak teoretický základ pro danou problematiku, tak analýzu výsledků srovnání obou metod učení neuronových sítí.
Annotation in English
This paper deals with the question of comparison of classical methods used for training process of neural networks and methods using evolutionary algorithms such as SOMA or direrential evolution. The main task of this work was to create a functional module in the Mathematica environment for learning neural networks using evolutionary algorithms. The work contains both the theoretical basis for the issue and analyze the results of comparison between the two methods of learning in neural networks.
Keywords
SOMA, Diferenciální evoluce, neuronová síť, Perceptron, neuronová síť s dopředným šířením, Back propagation, Mathematica
Cílem diplomové práce je zkompletovat modul pro učení neuronových sítí evolučními algoritmy a srovnat jejich výkonnost, kvalitu a další parametry s klasickými metodami učení.
Seznámení se s neuronovými sítěmi, hlavně s Perceptronem a Sítěmi s dopředným šířením (Feedforward net).
Seznámení se s evolučními algoritmy.
Naprogramování modulu neuronových sítí s učícím algoritmem pomocí evolučních algoritmů v prostředí Mathematica.
Srovnání s klasickými metodami učení.
Závěr a vyhodnocení použité metody.
Research Plan
Cílem diplomové práce je zkompletovat modul pro učení neuronových sítí evolučními algoritmy a srovnat jejich výkonnost, kvalitu a další parametry s klasickými metodami učení.
Seznámení se s neuronovými sítěmi, hlavně s Perceptronem a Sítěmi s dopředným šířením (Feedforward net).
Seznámení se s evolučními algoritmy.
Naprogramování modulu neuronových sítí s učícím algoritmem pomocí evolučních algoritmů v prostředí Mathematica.
Srovnání s klasickými metodami učení.
Závěr a vyhodnocení použité metody.
Recommended resources
ZELINKA, I., OPLATKOVÁ, Z., OŠMERA, P., ŠEDA, M., VČELAŘ, F. Evoluční výpočetní techniky - principy a aplikace. BEN - technická literatura, Praha, 2008, ISBN 80-7300-218-3.
ZELINKA, I. Umělá inteligence I. VUT Brno, ISBN 80-214-1163-5, 1998.
BOSE, N.K., LIANG, P. Neural Network Fundamentals with Graphs, Algorithms, and Applications, McGraw-Hill Series in Electrical and Computer Engineering. ISBN 0-07-006618-3, 1996.
FREEMAN, J. A., Simulating Neural Networks with Mathematica. Adison-Weslez Publishing Company, 1994, ISBN 0-201-56629-X.
OPLATKOVÁ, Z.: Metaevolution - Synthesis of Optimization Algorithms by means of Symbolic Regression and Evolutionary Algorithms, Lambert-Publishing, 2009, ISBN 978-8383-1808-0.
DAVIS L.: Handbook of Genetic Algorithms, International Thomson Computer Press, 1996, ISBN 1850328250.
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J.: Umělá inteligence, Academia, 1993, ISBN 80-200-0496-3.
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J.: Umělá inteligence 4., Academia, 2003, ISBN 80-200-1044-0.
Recommended resources
ZELINKA, I., OPLATKOVÁ, Z., OŠMERA, P., ŠEDA, M., VČELAŘ, F. Evoluční výpočetní techniky - principy a aplikace. BEN - technická literatura, Praha, 2008, ISBN 80-7300-218-3.
ZELINKA, I. Umělá inteligence I. VUT Brno, ISBN 80-214-1163-5, 1998.
BOSE, N.K., LIANG, P. Neural Network Fundamentals with Graphs, Algorithms, and Applications, McGraw-Hill Series in Electrical and Computer Engineering. ISBN 0-07-006618-3, 1996.
FREEMAN, J. A., Simulating Neural Networks with Mathematica. Adison-Weslez Publishing Company, 1994, ISBN 0-201-56629-X.
OPLATKOVÁ, Z.: Metaevolution - Synthesis of Optimization Algorithms by means of Symbolic Regression and Evolutionary Algorithms, Lambert-Publishing, 2009, ISBN 978-8383-1808-0.
DAVIS L.: Handbook of Genetic Algorithms, International Thomson Computer Press, 1996, ISBN 1850328250.
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J.: Umělá inteligence, Academia, 1993, ISBN 80-200-0496-3.
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J.: Umělá inteligence 4., Academia, 2003, ISBN 80-200-1044-0.
