dc.contributor	Hanuš Lukáš, Ing. : 67166
dc.contributor.advisor	Žabka Vratislav, Ing. Ph.D. : 60647
dc.contributor.author	Nguyen, Michal
dc.date.accessioned	2019-08-07T08:12:31Z
dc.date.available	2019-08-07T08:12:31Z
dc.date.committed	2019-4-30
dc.date.defense	2019-05-29
dc.date.submitted	2018-10-10
dc.date.updated	2019-5-29
dc.degree.level	Bc.
dc.description.abstract	Cílem této práce je vytvoření nástroje pro analýzu neuronové sítě, tímto nástrojem se stala webová aplikace, která byla vytvořena v rámci této práce. Tato analýza se zakládá na myšlence, že některé ze vstupních proměnných lze z výpočtů vynechat a tím zefektivnit výpočty neuronové sítě při rekonstrukci výsledné řady. Analýza využívá dvou algoritmů, které určují důležitost jednotlivých proměnných. Na těchto dvou algoritmech zkoumáme, jestli je možné jejich využití na reálných datech, která jsou zatížená šumem. V první části jsou popsány jednotlivé metody pro zjišťování důležitosti jednotlivých vstupních proměnných, které jsou použity v této práci. Druhá část popisuje webovou aplikaci, která využívá těchto metod a umožňuje uživateli měnit parametry, které ovlivňují výpočet neuronové sítě a následně vizualizuje jednotlivé výstupu z těchto metod. Závěrem této práce je ukázka implementace těchto metod na reálných datech z oblasti hydrologie a vyhodnocení získaných výsledků.	cs
dc.description.abstract	The aim of this work is to create a tool for neural network analysis, the tool had become a web application that was created within this work. This analysis is based on the idea that some of the input variables can be omitted from the calculations, thus making the neural network calculations more effective in reconstructing the resulting series. The analysis uses two algorithms that determine the importance of each variable. On these two algorithms, we examine whether their use on real data that are marred by noise is possible. In the first part, each method for determining the importance of individual input variables that are used in this work are described. The second part describes a web application that uses these methods and allows the user to change parameters that affect neural network calculation and then visualize the individual outputs from these methods. The conclusion of this work is an example of the implementation of these methods on real data from the field of hydrology and the evaluation of obtained results.	en
dc.description.mark
dc.format	44
dc.format.extent
dc.identifier.signature	V 201900887
dc.identifier.uri	https://dspace.tul.cz/handle/15240/153180
dc.language.iso	cs
dc.relation.isbasedon	beginarab renewcommandlabelenumi[arabicenumi] item Eva Volná, Neuronové sítě 1. 2008 Ostravská univerzita v Ostravě. item C.W. Dawson, and R.L. Wilby, Hydrological modelling using artificial neural networks. Progress in Physical Geography 25,1 (2001) pp. 80--108. item Winston Chang, Joe Cheng, JJ Allaire, Yihui Xie and Jonathan McPherson (2017). shiny: Web Application Framework for R. R package version 1.0.4. https://CRAN.R-project.org. endarab
dc.rights	Vysokoškolská závěrečná práce je autorské dílo chráněné dle zákona č. 121/2000 Sb., autorský zákon, ve znění pozdějších předpisů. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou https://knihovna.tul.cz/document/26	cs
dc.rights	A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act. https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics https://knihovna.tul.cz/document/26	en
dc.rights.uri	https://knihovna.tul.cz/document/26
dc.rights.uri	https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf
dc.subject	neuronová síť	cs
dc.subject	programovací jazyk R	cs
dc.subject	Shiny	cs
dc.subject	RStudio	cs
dc.subject	Garsonův algoritmus	cs
dc.subject	oldenův algoritmus	cs
dc.subject	lineární model	cs
dc.subject	korelace	cs
dc.subject	odchylka	cs
dc.subject	analýza neuronové sítě	cs
dc.subject	neural network	en
dc.subject	programming language R	en
dc.subject	Shiny	en
dc.subject	RStudio	en
dc.subject	Garson algorithm	en
dc.subject	Olden algorithm	en
dc.subject	linear model	en
dc.subject	correlation	en
dc.subject	deviation	en
dc.subject	analysis of neural network	en
dc.subject.verbis	web applications	en
dc.title	Analýza naučené neuronové sítě v jazyku R	cs
dc.title	Analysing Neural Network Performance After Training	en
dc.type	bakalářská práce	cs
local.degree.abbreviation	Bakalářský
local.degree.discipline	IT
local.degree.programme	Informační technologie
local.degree.programmeabbreviation	B2646
local.department.abbreviation	MTI
local.faculty	Fakulta mechatroniky, informatiky a mezioborových studií	cs
local.faculty.abbreviation	FM
local.identifier.author	M15000046
local.identifier.stag	38869
local.identifier.verbis	kpw06582374
local.note.administrators	automat
local.poradovecislo	887
local.verbis.aktualizace	2019-10-05 07:27:51	cs
local.verbis.studijniprogram	MTI Informační technologie/Informační technologie	cs

Analýza naučené neuronové sítě v jazyku R

Files

Original bundle

Collections