Späť


Strojové učenie s využitím hlbokých neurónových sietí

Garant: Ing. Lukáš Falát, PhD.
Učitelia: Ing. Lukáš Falát, PhD.
Počet študentov: 2 - 5

Popis projektu:

Dáta sú dnes všade a sú čoraz dôležitejšie. Spoločnosti zo všetkých odvetví na celom svete si začínajú uvedomovať, že potenciál dát je dnes obrovský. Uvedomujú si tiež, že informácie a znalostí získané z dát sú častokrát kľúčové a rozhodujúce pre ich biznis. Kalyan Talluri z prestížnej Imperical College Business School v Londýne hovorí: “Všetky podniky sa snažia dnes získať konkurenčnú výhodu z dát.“ Nie je preto prekvapením, že spoločnosti na celom svete hľadajú kvalifikovaných ľudí, ktorí majú zručnosti a znalosti z dátovej analytiky a strojového učenia. Práve táto oblasť informatiky je dnes jednou z najperspektívnejších.

V tomto inžinierskom projekte sa študenti sústredia na jednu z najpoužívanejších oblastí strojového učenia – na umelé neurónové siete. Umelé neurónové siete sú dnes extrémne populárna vetva strojového učenia. Ich obľúbenosť plynie z viacerých dôvodov. Jedným z nich je fakt, že neurónové siete môžu byť aplikované na široké spektrum problémov zahŕňajúc klasifikáciu, regresiu či nesupervizované učenie. Ďalším dôvodom je fakt, že sú schopné modelovať nelinearitu v dátach a majú schopnosť generalizácie.

Tento projekt sa konkrétne zameriava na hlboké neurónové siete (deep neural networks). Hlboké neurónové siete sú dnes vlajkovou loďou strojového učenia a v oblasti strojového učenia dnes azda neexistuje viac používaný model než hlboká neurónová sieť. Práve hlboké neurónové siete majú vďaka svojej štruktúre schopnosť riešiť komplexné a zložité problémy.

Študenti sa budú zaoberať tvorbou hlbokých neurónových sietí, ktoré by boli schopné riešiť vybrané problémy (klasifikačné/regresné) efektívne. Samotná implementácia neurónových sietí sa bude realizovať v programovacom jazyku Python s využitím frameworkov Tensorflow a Keras.

Keďže dáta a neurónové siete dnes začínajú by aplikované na obrovské množstvo problémov, samotné znalosti a praktické zručnosti, ktoré študenti na projekte nadobudnú, môžu byť aplikované a využité v mnohých oblastiach ako je napríklad: virtuálne personalizované asistentky, predikcia dopravy, rozpoznávanie tváre, detekcia podvodov na internete, odporúčanie produktov, počítačový preklad z jedného jazyka do druhého, automatické obchodovanie na burze, autopilotovanie áut, identifikácia prania špinavých peňazí, predikčné analýzy na základe dát od zákazníka s cieľom maximalizácie zisku, strojová analýza malwaru či potenciálne nebezpečného kódu, počítačová online podpora (helpdesk) a množstvo iných.


Cieľom projektu je:

-  osvojiť si znalosti pokročilej predikčnej analytiky a strojového učenia

-  získať znalosti z teórie neurónových sietí

-  osvojiť si prácu s Pythonom, resp. jeho frameworkami pre hlboké učenie (Tensorflow, Keras)

-  vedieť využiť hlboké neurónové siete pre predikčné účely v praxi

-  navrhnúť a implementovať efektívne modely hlbokých neurónových sietí s využitím programovacieho jazyka Python a frameworkov Tensorflow a Keras


Harmonogram projektu:

1.  Analýza súčasného stavu

2.  Teoretické základy umelých neurónových sietí – základný model neurónovej siete, MLP model, učenie siete

3.  Oboznámenie s programovacím jazykom Python a frameworkami pre hlboké učenie (Tensorflow, Keras)

4.  Oboznámenie s hlbokými neurónovými sieťami typu CNN

5.  Implementácia základného modelu konvolučnej hlbokej neurónovej siete

6.  Tvorba pokročilejších modelov CNN, experimenty a získavanie znalostí z uvedených postupov, komparácia s inými algoritmami strojového učenia (napr. rozhodovací strom, náhodný les, SVM)

7.  Tvorba komplexného riešenia hlbokej neurónovej siete spolu s grafickou nadstavbou


LITERATÚRA:

D. Marček, Umelé neurónové siete a aplikácie, EDIS, Žilinská univerzita, Žilina, 2006.

Tensorflow - API Documentation https://www.tensorflow.org/api_docs/

Keras Documentation https://keras.io/

Michael A. Nielsen, "Neural Networks and Deep Learning", Determination Press, 2015

Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning (Adaptive Computation and Machine Learning series)

https://www.learnpython.org/

D. Marček, M. Marček, L. Pančíková: Ekonometria a soft computing, EDIS, Žilinská univerzita, Žilina, Slovakia, 2008

James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R, Springer, 426p, ISBN 978-1461471370



Mám záujem o projekt
0
študentov
0
učiteľov
0
partnerov

Partneri FRI

Platinový partner

Hlavný partner

Partneri

Projekty a centrá FRI

Projekty

Inteligentné operačné a spracovateľské systémy pre UAV
Transdata
IT akadémia
ACeSYRI
SmartSoc
TECH4EDU4
Centre in Advanced Biomedical and Medical Informatics

Centrá

Cisco Network Academy
PEARSON VUE - Aturizované centrum