Název:
Klasifikace pomocí neuronových sítí v prostředí Keras
Překlad názvu:
Classification with Use of Neural Networks in the Keras Environment
Autoři:
Pyšík, Michal ; Burgetová, Ivana (oponent) ; Bartík, Vladimír (vedoucí práce) Typ dokumentu: Bakalářské práce
Rok:
2023
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [eng][cze]
Tato práce zkoumá problematiku klasifikace pomocí umělých neuronových sítí s využitím knihovny Keras, poskytující vysokoúrovňové rozhraní pro práci s umělými neuronovými sítěmi v programovacím jazyce Python. Cílem práce je prozkoumat rozsáhlé možnosti této knihovny v oblasti klasifikace a porovnat různé typy a topologie umělých neuronových sítí formou experimentů na vybraných datasetech, což je doplněno jednoduchou experimentální aplikací sloužící především jako rozhraní pro tyto experimenty.
This thesis examines the problematics of classification using artificial neural networks within use of the Keras framework, a high-level deep learning API for the Python programming language. The aim of the thesis is to discover the diverse options Keras has to offer in the field of classification, and to compare different types and topologies of artificial neural networks in the form of experiments on selected datasets, complemented by a simple experimental application whose main purpose is to provide an interface for these experiments.
Klíčová slova:
artificial neural networks; classification; comparison of neural networks; convolutional neural networks; experiments; Keras; multilayer perceptrons; recurrent neural networks; Tensorflow; topologies of neural networks; types of neural networks; experimenty; Keras; klasifikace; konvoluční neuronové sítě; porovnání neuronových sítí; rekurentní neuronové sítě; Tensorflow; topologie neuronových sítí; typy neuronových sítí; umělé neuronové sítě; vícevrstvé perceptrony
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/212704