| Attributes | Values |
|---|
| rdf:type
| |
| Description
| - V posledních desetiletích lze zaznamenat značný nárůst aplikací pro řešení úloh z různých oblastí lidské činnosti využívající technologie umělé inteligence. Zájem o tyto technologie lze připsat skutečnosti, že klasické způsoby řešení buď neexistují nebo pro svoji robustnost nejsou vhodné. Často jsou využívány v aplikacích %22Business Inteligence%22 umožňujících získávat potřebné informace pro kvalitní rozhodování a zvyšování konkurenceschopnosti. Jedním z nejrozšířenějších nástrojů umělé inteligence jsou vícevrstvé neuronové sítě. Jejich velkou výhodou je relativní jednoduchost a možnost samoučení na základě souboru vzorových situací. Pro etapu učení se nejčastěji používá algoritmus zpětného šíření chyby. Avšak při jeho realizaci a počátečním využívání zjistíme, že je nutné jej doplnit vhodným způsobem řízení velikosti koeficientu učení, na jehož volbě je závislá konvergence procesu učení. Cílem toho příspěvku je kompaktní vyjádření algoritmu učení v maticovém tvaru, odvození metody řízení koeficie
- V posledních desetiletích lze zaznamenat značný nárůst aplikací pro řešení úloh z různých oblastí lidské činnosti využívající technologie umělé inteligence. Zájem o tyto technologie lze připsat skutečnosti, že klasické způsoby řešení buď neexistují nebo pro svoji robustnost nejsou vhodné. Často jsou využívány v aplikacích %22Business Inteligence%22 umožňujících získávat potřebné informace pro kvalitní rozhodování a zvyšování konkurenceschopnosti. Jedním z nejrozšířenějších nástrojů umělé inteligence jsou vícevrstvé neuronové sítě. Jejich velkou výhodou je relativní jednoduchost a možnost samoučení na základě souboru vzorových situací. Pro etapu učení se nejčastěji používá algoritmus zpětného šíření chyby. Avšak při jeho realizaci a počátečním využívání zjistíme, že je nutné jej doplnit vhodným způsobem řízení velikosti koeficientu učení, na jehož volbě je závislá konvergence procesu učení. Cílem toho příspěvku je kompaktní vyjádření algoritmu učení v maticovém tvaru, odvození metody řízení koeficie (cs)
- In the last decade we can observe increasing number of applications based on the Artificial Intelligence that are designed to solve problems from different areas of human activity. The reason why there is so much interest in these technologies is that the classical way of solutions does not exist or these technologies are not suitable because of their robustness. They are often used in applications like Business Intelligence that enable to obtain useful information for high quality decision making and to increase competitive advantage. One of the most widespread tools for the Artificial Intelligence are the artificial neural networks. Their high advantage is relative simplicity and the possibility of self-learning based on set of pattern situations. For the learning phase is the most commonly used algorithm back-propagation error (BPE). The base of BPE is the method minima of error function representing the sum of squared errors on outputs of neural net, for all patterns of the learning set. Howe (en)
|
| Title
| - Učení n-vrstvé neuronové sítě
- Learning of N-layers neural network (en)
- Učení n-vrstvé neuronové sítě (cs)
|
| skos:prefLabel
| - Učení n-vrstvé neuronové sítě
- Learning of N-layers neural network (en)
- Učení n-vrstvé neuronové sítě (cs)
|
| skos:notation
| - RIV/62156489:43110/05:00007456!RIV06-MSM-43110___
|
| http://linked.open.../vavai/riv/strany
| |
| http://linked.open...avai/riv/aktivita
| |
| http://linked.open...avai/riv/aktivity
| |
| http://linked.open...iv/cisloPeriodika
| |
| http://linked.open...vai/riv/dodaniDat
| |
| http://linked.open...aciTvurceVysledku
| |
| http://linked.open.../riv/druhVysledku
| |
| http://linked.open...iv/duvernostUdaju
| |
| http://linked.open...titaPredkladatele
| |
| http://linked.open...dnocenehoVysledku
| |
| http://linked.open...ai/riv/idVysledku
| - RIV/62156489:43110/05:00007456
|
| http://linked.open...riv/jazykVysledku
| |
| http://linked.open.../riv/klicovaSlova
| - back-propagation error; handling of learning rate; learning rate; learninng algoritm; matrix form; neural networks (en)
|
| http://linked.open.../riv/klicoveSlovo
| |
| http://linked.open...odStatuVydavatele
| |
| http://linked.open...ontrolniKodProRIV
| |
| http://linked.open...i/riv/nazevZdroje
| - Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis
|
| http://linked.open...in/vavai/riv/obor
| |
| http://linked.open...ichTvurcuVysledku
| |
| http://linked.open...cetTvurcuVysledku
| |
| http://linked.open...UplatneniVysledku
| |
| http://linked.open...v/svazekPeriodika
| |
| http://linked.open...iv/tvurceVysledku
| - Konečný, Vladimír
- Rábová, Ivana
- Matiášová, Anděla
|
| http://linked.open...n/vavai/riv/zamer
| |
| issn
| |
| number of pages
| |
| http://localhost/t...ganizacniJednotka
| |
| is http://linked.open...avai/riv/vysledek
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)