This HTML5 document contains 40 embedded RDF statements represented using HTML+Microdata notation.

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

Namespace Prefixes

PrefixIRI
n7http://linked.opendata.cz/ontology/domain/vavai/cep/typPojektu/
n21http://linked.opendata.cz/ontology/domain/vavai/cep/zivotniCyklusProjektu/
n6http://linked.opendata.cz/ontology/domain/vavai/cep/druhSouteze/
n19http://linked.opendata.cz/ontology/domain/vavai/cep/hodnoceniProjektu/
dctermshttp://purl.org/dc/terms/
n2http://linked.opendata.cz/resource/domain/vavai/projekt/
n13http://linked.opendata.cz/resource/domain/vavai/subjekt/
n10http://linked.opendata.cz/resource/domain/vavai/cep/prideleniPodpory/
n16http://linked.opendata.cz/ontology/domain/vavai/cep/kategorie/
n5http://linked.opendata.cz/ontology/domain/vavai/
n20http://linked.opendata.cz/resource/domain/vavai/projekt/GA201%2F08%2F1744/
n18http://linked.opendata.cz/ontology/domain/vavai/cep/duvernostUdaju/
skoshttp://www.w3.org/2004/02/skos/core#
rdfshttp://www.w3.org/2000/01/rdf-schema#
n22http://linked.opendata.cz/ontology/domain/vavai/cep/fazeProjektu/
n9http://linked.opendata.cz/ontology/domain/vavai/cep/obor/
n17http://linked.opendata.cz/resource/domain/vavai/soutez/
n14http://linked.opendata.cz/ontology/domain/vavai/cep/statusZobrazovaneFaze/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
xsdhhttp://www.w3.org/2001/XMLSchema#
n3http://linked.opendata.cz/ontology/domain/vavai/cep/
n11http://reference.data.gov.uk/id/gregorian-year/
n4http://linked.opendata.cz/resource/domain/vavai/aktivita/

Statements

Subject Item
n2:GA201%2F08%2F1744
rdf:type
n5:Projekt
rdfs:seeAlso
http://www.isvav.cz/projectDetail.do?rowId=GA201/08/1744
dcterms: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 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.
dcterms:title
Complexity of perceptron and kernel networks Složitost perceptronových a jádrových sítí
skos:notation
GA201/08/1744
n3:aktivita
n4:GA
n3:celkovaStatniPodpora
n20:celkovaStatniPodpora
n3:celkoveNaklady
n20:celkoveNaklady
n3:datumDodatniDoRIV
2015-02-09+01:00
n3:druhSouteze
n6:VS
n3:duvernostUdaju
n18:S
n3:fazeProjektu
n22:82299330
n3:hlavniObor
n9:IN
n3:hodnoceniProjektu
n19:U
n3:kategorie
n16:ZV
n3:klicovaSlova
complexity of neural networks; learning from data; nonlinear approximation; kernel methods
n3:partnetrHlavni
n13:ico%3A67985807
n3:pocetKoordinujicichPrijemcu
0
n3:pocetPrijemcu
1
n3:pocetSpoluPrijemcu
0
n3:pocetVysledkuRIV
20
n3:pocetZverejnenychVysledkuVRIV
20
n3:posledniUvolneniVMinulemRoce
2010-04-16+02:00
n3:prideleniPodpory
n10:201%2F08%2F1744
n3:sberDatUcastniciPoslednihoRoku
n11:2010
n3:sberDatUdajeProjZameru
n11:2011
n3:soutez
n17:SGA02008GA-ST
n3:statusZobrazovaneFaze
n14:DUU
n3:typPojektu
n7:P
n3:ukonceniReseni
2010-12-31+01:00
n3:vedlejsiObor
n9:BA
n3:zahajeniReseni
2008-01-01+01:00
n3:zhodnoceni+vysledku+projektu+dodavatelem
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 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
n3:zivotniCyklusProjektu
n21:ZBKU
n3:klicoveSlovo
complexity of neural networks learning from data nonlinear approximation