This HTML5 document contains 23 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

Prefix	IRI
n12	http://linked.opendata.cz/resource/domain/vavai/cep/soutez/
n6	http://linked.opendata.cz/resource/domain/vavai/cep/kategorie/
dcterms	http://purl.org/dc/terms/
n11	http://linked.opendata.cz/resource/domain/vavai/cep/aktivita/
n3	http://linked.opendata.cz/ontology/domain/vavai/
n4	http://linked.opendata.cz/resource/domain/vavai/cep/obor/
n8	http://linked.opendata.cz/resource/domain/vavai/cep/druh-souteze/
n10	http://linked.opendata.cz/resource/domain/vavai/cep/faze/
rdf	http://www.w3.org/1999/02/22-rdf-syntax-ns#
n7	http://linked.opendata.cz/resource/domain/vavai/cep/typ/
n9	http://linked.opendata.cz/resource/domain/vavai/cep/poskytovatel/
xsdh	http://www.w3.org/2001/XMLSchema#
n2	http://linked.opendata.cz/resource/domain/vavai/cep/projekt/AV0/

Statements

Subject Item

n2:IAB1030006

rdf:type

n3:Projekt

dcterms:description

Většina učících algoritmů pro dopředné neuronové sítě je založena na gradientních metodách používaných při nelineární optimalizaci. Přestože těmito metodami lze úspěšně řešit reálné problémy, mají některá podstatná omezení (numerická nestabilita, časová a komunikační náročnost). V posledních letech vzniklo několik teoretických výsledků o aproximačních vlastnostech neuronových sítí, ale doposud se věnovala malá pozornost vývoji nových učících algoritmů založených na těchto výsledcích. Na základě podrobnéanalýzy vět a důkazového aparátu autorů Kolmogorova, Sprechera, Kůrkové, Leshna, Mhaskara a dalších navrhneme alternativní učící procedury pro dopředné neuronové sítě. U navržených algoritmů budeme studovat jejich teoretické, numerické a výpočetní vlastnosti. Chování algoritmů vyzkoušíme na standardních testovacích problémech. The majority of currently used learning algortihms for feedforward networks is based on gradient descent methods of non-linear optimization. They have proven successfull in solving real-world problems, nevertheless they are known to suffer from several shortcomings (numerical instability, time demands, communication overhead). Several theoretical results concerning the approximation power of neural networks have been established in the last decade, but a little effort has benn made to use these results-based on functinal approximation theory-for proposal of novel learning procedures. We plan to carefully study the results and proof techniques of Kolmogorov, Sprecher, Kůrková, Leshno, Mhaskar and others to derive alternative learning procedures for feedforward networks. Numerical and computational properties of these algortihms will be studied by means of theory and experiments on standard benchmarks.

dcterms:title

Alternativní učící algoritmy pro dopředné neuronové sítě Alternative learning procedures for reedforward neural networks

n3:dalsi-vedlejsi-obor

n4:JC

n3:druh-souteze

n8:VS

n3:faze

n10:20531149

n3:hlavni-obor

n4:BB

n3:vedlejsi-obor

n4:BA

n3:id-aktivity

n11:IA

n3:id-souteze

n12:SAV0-AB2000

n3:kategorie

n6:0

n3:klicova-slova

Artificial Neural Networks; Learning Algorithms; Parallel Computing

n3:pocet-koordinujicich-prijemcu

0

n3:poskytovatel

n9:AV0

n3:statni-podpora

726

n3:typProjektu

n7:P

n3:uznane-naklady

1928

n3:pocet-prijemcu

1

n3:pocet-spoluprijemcu

0

n3:pocet-vysledku

10

n3:pocet-vysledku-zverejnovanych

10