| Attributes | Values |
|---|
| rdf:type
| |
| rdfs:seeAlso
| |
| Description
| - The goal of the project is to contribute to the interaction between classical and newly developed mathematical ideas and hallenging application domains of machine learning and neurocomputing. To describe properties which make neural networks and kernel models efficient and flexible tools for learning reasonable approximations of high-dimensional mappings, learning with generalization capability will be investigated as a regularized optimization problem in reproducing kernel Hilbert spaces. There will be derived mathematical results on minimization of functionals defined by data, various types of their regularization, nonlinear approximation schemes, rates of approximation, integral representations, properties of operators and their eigenvalues. Theseresults will be applied to families of multivariable functions corresponding to various neurocomputing and kernel computational models. Their consequences will be formulated in terms of complexity of neural networks and learning. Taking advantage of (en)
- Cílem projektu je přispět k interakci mezi klasickými a nově vytvářenými matematickými pojmy a rozvíjejícími se obory neuropočítání a strojového učení. Aby mohly být popsány vlastnosti, které způsobují, že jsou neuronové sítě a jádrové modely efektivní aflexibilní nástroje pro učení aproximací funkcí mnoha proměnných, bude učení se schopností generalizace studováno jako regularizovaná optimalizační úloha v Hilbertových prostorech s reprodukčním jádrem. Budou odvozeny matematické výsledky týkající se minimalizaci funkcionálů definovaných pomocí dat, různých typů jejich regularizace, nelineárních aproximačních schemat, rychlosti aproximace, integrálních reprezentací, vlastností operátorů a jejich vlastních čísel. Tyto výsledky budou aplikovány na množiny funkcí více proměnných odpovídající různým typům neuronových a jádrových výpočetních modelů. Jejich důsledky budou formulovány v termínech složitosti neuronových sítí a učení. Na základě konstruktivních důkazových technik budou odvozena fuzzy
|
| Title
| - Approximation and learning of multivariable functions by neural networks and kernel methods (en)
- Aproximace a učení funkcí více proměnných pomocí neuronových sítí a jádrových metod
|
| skos:notation
| |
| http://linked.open...avai/cep/aktivita
| |
| http://linked.open...kovaStatniPodpora
| |
| http://linked.open...ep/celkoveNaklady
| |
| http://linked.open...datumDodatniDoRIV
| |
| http://linked.open...i/cep/druhSouteze
| |
| http://linked.open...ep/duvernostUdaju
| |
| http://linked.open.../cep/fazeProjektu
| |
| http://linked.open...ai/cep/hlavniObor
| |
| http://linked.open...hodnoceniProjektu
| |
| http://linked.open...vai/cep/kategorie
| |
| http://linked.open.../cep/klicovaSlova
| - learning from data; nonlinear approximation; neural networks; kernel methods (en)
|
| http://linked.open...ep/partnetrHlavni
| |
| http://linked.open...inujicichPrijemcu
| |
| http://linked.open...cep/pocetPrijemcu
| |
| http://linked.open...ocetSpoluPrijemcu
| |
| http://linked.open.../pocetVysledkuRIV
| |
| http://linked.open...enychVysledkuVRIV
| |
| http://linked.open...lneniVMinulemRoce
| |
| http://linked.open.../prideleniPodpory
| |
| http://linked.open...iciPoslednihoRoku
| |
| http://linked.open...atUdajeProjZameru
| |
| http://linked.open.../vavai/cep/soutez
| |
| http://linked.open...usZobrazovaneFaze
| |
| http://linked.open...ai/cep/typPojektu
| |
| http://linked.open...ep/ukonceniReseni
| |
| http://linked.open.../cep/vedlejsiObor
| |
| http://linked.open...ep/zahajeniReseni
| |
| http://linked.open...jektu+dodavatelem
| - Possibilities of learning with generalization from high-dimensional data by neural networks and kernel models were studied using methods from nonlinear approximation and optimization theory. New mathematical results on minimization of error functionals d (en)
- Možnosti učení se schopností generalizace na základě vysoce dimenzionálních dat pomocí neuronových sítí a jádrových modelů byly studovány pomocí metod teorie aproximace a optimalizace. Byly odvozeny nové matematické výsledky týkající se minimalizace chyb (cs)
|
| http://linked.open...tniCyklusProjektu
| |
| http://linked.open.../cep/klicoveSlovo
| - learning from data
- neural networks
- nonlinear approximation
|
| is http://linked.open...vavai/riv/projekt
of | |
| is http://linked.open...vavai/cep/projekt
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)