Tato bakalářská práce řeší návrh a implementaci webového nástroje pro návrh neuronových sítí typu MLP.
Důraz je kladen na teoretický popis modelů neuronových sítí a implementaci aplikace při použití již existujícího frameworku Tensorflow.js. Při implementaci aplikace byla použita nejen dokumentace a literatura, ale i vlastní zkušenosti, a konzultace s kolegy, kteří v této oblasti pracují.
Anotace v angličtině
This bachelor thesis deals with the design and implementation of a web application for the design of neural networks of MLP type. Emphasis is placed on the theoretical description of neural network models and application implementation using the already existing Tensorflow.js framework. Not only documentation and literature were used in the implementation of the application, but also own experience and consultations with colleagues who work in this area.
Klíčová slova
Webové prostředí, Tensorflow.js, Vue.js, Konvoluční neuronové sítě
Klíčová slova v angličtině
Web application, Tensorflow.js, Vue.js, Convolution Neural Network
Rozsah průvodní práce
56 s.
Jazyk
CZ
Anotace
Tato bakalářská práce řeší návrh a implementaci webového nástroje pro návrh neuronových sítí typu MLP.
Důraz je kladen na teoretický popis modelů neuronových sítí a implementaci aplikace při použití již existujícího frameworku Tensorflow.js. Při implementaci aplikace byla použita nejen dokumentace a literatura, ale i vlastní zkušenosti, a konzultace s kolegy, kteří v této oblasti pracují.
Anotace v angličtině
This bachelor thesis deals with the design and implementation of a web application for the design of neural networks of MLP type. Emphasis is placed on the theoretical description of neural network models and application implementation using the already existing Tensorflow.js framework. Not only documentation and literature were used in the implementation of the application, but also own experience and consultations with colleagues who work in this area.
Klíčová slova
Webové prostředí, Tensorflow.js, Vue.js, Konvoluční neuronové sítě
Klíčová slova v angličtině
Web application, Tensorflow.js, Vue.js, Convolution Neural Network
Zásady pro vypracování
Cílem práce je navrhnout a implementovat webové prostředí, které umožní vizuálně navrhovat sítě typu vícevrstvý perceptron (MLP) pro klasifikaci. Aplikace umožní jak vlastní návrh sítě, tak i online sledování učení sítě včetně zobrazení výsledků. Předpokládá se použití již existujících frameworků Tensorflow/Tensorflow.js pro generování modelu sítě navrženého v GUI. Koncept aplikace je nástroj pro začátečníky.
Osnova:
Provedení rešerše webových rozhraní pro neuronové sítě
Výběr a popis vhodné technologie jak pro backendovou, tak i frontendovou část aplikace, JavaScript (Vue.js), PHP (Laravel), TensorFlow (TensorFlow.js), CSS (Boostrap), SQL, HTML, Docker, GIT
Návrh a implementace aplikace umožňující:
Design sítě: volba počtu vrstev, volba vstupů, volba aktivačních funkcí, vlastnosti vrstev (dropout)
Volba vstupních dat: načtení vstupních dat a jejich úprava (standardizace, normalizace), nastavení velikosti trénovací a testovací množiny apod.
Volba modelu učení: výběr metriky, učícího algoritmu apod.
Prezentační část: zobrazení informací o průběhu učení, výpočet klasifikačních metrik
Zásady pro vypracování
Cílem práce je navrhnout a implementovat webové prostředí, které umožní vizuálně navrhovat sítě typu vícevrstvý perceptron (MLP) pro klasifikaci. Aplikace umožní jak vlastní návrh sítě, tak i online sledování učení sítě včetně zobrazení výsledků. Předpokládá se použití již existujících frameworků Tensorflow/Tensorflow.js pro generování modelu sítě navrženého v GUI. Koncept aplikace je nástroj pro začátečníky.
Osnova:
Provedení rešerše webových rozhraní pro neuronové sítě
Výběr a popis vhodné technologie jak pro backendovou, tak i frontendovou část aplikace, JavaScript (Vue.js), PHP (Laravel), TensorFlow (TensorFlow.js), CSS (Boostrap), SQL, HTML, Docker, GIT
Návrh a implementace aplikace umožňující:
Design sítě: volba počtu vrstev, volba vstupů, volba aktivačních funkcí, vlastnosti vrstev (dropout)
Volba vstupních dat: načtení vstupních dat a jejich úprava (standardizace, normalizace), nastavení velikosti trénovací a testovací množiny apod.
Volba modelu učení: výběr metriky, učícího algoritmu apod.
Prezentační část: zobrazení informací o průběhu učení, výpočet klasifikačních metrik