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)
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