| Attributes | Values |
|---|
| rdf:type
| |
| rdfs:seeAlso
| |
| Description
| - The goal of the project is to contribute to theoretical understanding which properties make networks with perceptron and kernel computational units efficient and flexible tools for learning from high-dimensional data. Estimates of model complexity of networks will be derived in terms of smoothness and oscillatory properties of data, their dimension and type of an activation function or a kernel. By inspection of these estimates, measures of data complexity with respect to various types of computational units will be proposed and characterized in terms of special norms tailored to perceptrons and kernels. Relationships of these norms to norms defined in terms of smoothness (such as Sobolev and Bessel norms) will be described. Estimates of network complexity will be derived using tools from nonlinear approximation and optimization theory. On the basis of constructive proof techniques fuzzy rules will be derived and learning algorithms will be proposed, analyzed, implemented and tested on (en)
- Cílem projektu je přispět k teoretickému porozumnění vlastnostem neuronových sítí s perceptronovými a jádrovými jednotkami, které způsobují, že tyto sítě jsou efektivní a flexibilní nástroje pro učení na základě vysokodimenzionálních dat. Budou odvozeny odhady složitosti sítí v závislosti na hladkosti a oscilačních vlastnostech dat, jejich dimenzi a typu aktivační funkce nebo jádra. Na základě analýzy těchto odhadů budou navrženy míry složitosti dat vzhledem k různým typům výpočetních jednotek.Tyto míry budou charakterizovány pomocí speciálních norem a budou popsány vztahy těchto norem k normám modelujícím hladkost (Sobolevovy a Besselovy normy). Pro odhady složitosti sítí budou použity metody z teorie nelineární aproximace a optimalizace. Na základě konstruktívních důkazových technik budou odvozena fuzzy pravidla a budou navrženy, implementovány a testovány algoritmy učení.
|
| Title
| - Complexity of perceptron and kernel networks (en)
- Složitost perceptronových a jádrových sítí
|
| 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
| - complexity of neural networks; learning from data; nonlinear approximation; 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
| - Projekt přispěl k rozvoji matematické teorie perceptronových a jádrových sítí a teorii jejich učení. Byly odvozeny odhady složitosti sítí v závislosti na hladkosti a oscilačních vlastnostech dat, jejich dimenzi a typu aktivační funkce a jádra. Na základě analýzy těchto odhadů byly navrženy míry složitosti dat vzhledem k různým typům výpočetních jednotek. Byly porovnány složitostní nároky ne (cs)
- The project contributed to the development of mathematical theory of perceptron and kernel networks and theory of their learning. Estimates of network complexity were derived in depenedence on smoothness and oscillatory properties of data, their dimension, and type of an activation function or a kernel. By inspection of these estimates, measures of data complexity with respect to various typ (en)
|
| http://linked.open...tniCyklusProjektu
| |
| http://linked.open.../cep/klicoveSlovo
| - learning from data
- nonlinear approximation
- complexity of neural networks
|
| 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)