Cílem této práce je vytvoření nástroje pro analýzu neuronové sítě, tímto nástrojem se stala webová aplikace, která byla vytvořena v rámci této práce. Tato analýza se zakládá na myšlence, že některé ze vstupních proměnných lze z výpočtů vynechat a tím zefektivnit výpočty neuronové sítě při rekonstrukci výsledné řady. Analýza využívá dvou algoritmů, které určují důležitost jednotlivých proměnných. Na těchto dvou algoritmech zkoumáme, jestli je možné jejich využití na reálných datech, která jsou zatížená šumem. V první části jsou popsány jednotlivé metody pro zjišťování důležitosti jednotlivých vstupních proměnných, které jsou použity v této práci. Druhá část popisuje webovou aplikaci, která využívá těchto metod a umožňuje uživateli měnit parametry, které ovlivňují výpočet neuronové sítě a následně vizualizuje jednotlivé výstupu z těchto metod. Závěrem této práce je ukázka implementace těchto metod na reálných datech z oblasti hydrologie a vyhodnocení získaných výsledků.
Anotace v angličtině
The aim of this work is to create a tool for neural network analysis, the tool had become a web application that was created within this work. This analysis is based on the idea that some of the input variables can be omitted from the calculations, thus making the neural network calculations more effective in reconstructing the resulting series. The analysis uses two algorithms that determine the importance of each variable. On these two algorithms, we examine whether their use on real data that are marred by noise is possible. In the first part, each method for determining the importance of individual input variables that are used in this work are described. The second part describes a web application that uses these methods and allows the user to change parameters that affect neural network calculation and then visualize the individual outputs from these methods. The conclusion of this work is an example of the implementation of these methods on real data from the field of hydrology and the evaluation of obtained results.
Klíčová slova
neuronová síť, programovací jazyk R, Shiny, RStudio, Garsonův algoritmus, oldenův algoritmus, lineární model, korelace, odchylka, analýza neuronové sítě
Klíčová slova v angličtině
neural network, programming language R, Shiny, RStudio, Garson algorithm, Olden algorithm, linear model, correlation, deviation, analysis of neural network
Rozsah průvodní práce
44
Jazyk
CZ
Anotace
Cílem této práce je vytvoření nástroje pro analýzu neuronové sítě, tímto nástrojem se stala webová aplikace, která byla vytvořena v rámci této práce. Tato analýza se zakládá na myšlence, že některé ze vstupních proměnných lze z výpočtů vynechat a tím zefektivnit výpočty neuronové sítě při rekonstrukci výsledné řady. Analýza využívá dvou algoritmů, které určují důležitost jednotlivých proměnných. Na těchto dvou algoritmech zkoumáme, jestli je možné jejich využití na reálných datech, která jsou zatížená šumem. V první části jsou popsány jednotlivé metody pro zjišťování důležitosti jednotlivých vstupních proměnných, které jsou použity v této práci. Druhá část popisuje webovou aplikaci, která využívá těchto metod a umožňuje uživateli měnit parametry, které ovlivňují výpočet neuronové sítě a následně vizualizuje jednotlivé výstupu z těchto metod. Závěrem této práce je ukázka implementace těchto metod na reálných datech z oblasti hydrologie a vyhodnocení získaných výsledků.
Anotace v angličtině
The aim of this work is to create a tool for neural network analysis, the tool had become a web application that was created within this work. This analysis is based on the idea that some of the input variables can be omitted from the calculations, thus making the neural network calculations more effective in reconstructing the resulting series. The analysis uses two algorithms that determine the importance of each variable. On these two algorithms, we examine whether their use on real data that are marred by noise is possible. In the first part, each method for determining the importance of individual input variables that are used in this work are described. The second part describes a web application that uses these methods and allows the user to change parameters that affect neural network calculation and then visualize the individual outputs from these methods. The conclusion of this work is an example of the implementation of these methods on real data from the field of hydrology and the evaluation of obtained results.
Klíčová slova
neuronová síť, programovací jazyk R, Shiny, RStudio, Garsonův algoritmus, oldenův algoritmus, lineární model, korelace, odchylka, analýza neuronové sítě
Klíčová slova v angličtině
neural network, programming language R, Shiny, RStudio, Garson algorithm, Olden algorithm, linear model, correlation, deviation, analysis of neural network
Zásady pro vypracování
Seznamte se s programováním v jazyku R a s prací v Rstudiu. Naučte se vytvářet náhodné časové řady, načítat a zobrazovat reálné časové řady pomocí prostředků jazyka R. Naučte se používat programové balíky "neuralnet", "neuralNetTools" a "shiny".
S pomocí několika uměle vytvořených časových řad s různou úrovní šumu a několika typů závislostí (lineární, kvadratická, lomená) připravte výslednou časovou řadu. Naprogramujte rekonstrukci výsledné časové řady pomocí alespoň dvou typů lineárních modelů a neuronové sítě. S pomocí Garsenova a Oldenova algoritmu analyzujte naučenou neuronovou síť a porovnejte získané parametry s výstupy lineárních modelů.
Naprogramujte celý proces pro jednoduchou opakovatelnost s proměnnými vstupními hodnotami úrovně šumu pro jednotlivé vstupní řady, pro různé koeficienty závislostí vstupních dat, pro různou přesnost výpočtu neuronové sítě a pro různou strukturu neuronové sítě. S využitím výše zmíněných balíků vytvořte unikátní webovou aplikaci umožňující uživateli opakovat celý proces učení a vyhodnocování výsledků.
S připravenou aplikací analyzujte a porovnejte možnosti lineárních modelů a neuronové sítě na rekonstrukci výsledné časové řady v závislosti na různých úrovních vstupního šumu a struktury neuronové sítě.
Celý postup aplikujte na systém reálných dat z oblasti hydrologie a využijte získané znalosti při analýze časových řad srážkových úhrnů, velikosti průtoku, čerpání z vrtu a výšky hladiny podzemní vody ve vrtu.
Zásady pro vypracování
Seznamte se s programováním v jazyku R a s prací v Rstudiu. Naučte se vytvářet náhodné časové řady, načítat a zobrazovat reálné časové řady pomocí prostředků jazyka R. Naučte se používat programové balíky "neuralnet", "neuralNetTools" a "shiny".
S pomocí několika uměle vytvořených časových řad s různou úrovní šumu a několika typů závislostí (lineární, kvadratická, lomená) připravte výslednou časovou řadu. Naprogramujte rekonstrukci výsledné časové řady pomocí alespoň dvou typů lineárních modelů a neuronové sítě. S pomocí Garsenova a Oldenova algoritmu analyzujte naučenou neuronovou síť a porovnejte získané parametry s výstupy lineárních modelů.
Naprogramujte celý proces pro jednoduchou opakovatelnost s proměnnými vstupními hodnotami úrovně šumu pro jednotlivé vstupní řady, pro různé koeficienty závislostí vstupních dat, pro různou přesnost výpočtu neuronové sítě a pro různou strukturu neuronové sítě. S využitím výše zmíněných balíků vytvořte unikátní webovou aplikaci umožňující uživateli opakovat celý proces učení a vyhodnocování výsledků.
S připravenou aplikací analyzujte a porovnejte možnosti lineárních modelů a neuronové sítě na rekonstrukci výsledné časové řady v závislosti na různých úrovních vstupního šumu a struktury neuronové sítě.
Celý postup aplikujte na systém reálných dat z oblasti hydrologie a využijte získané znalosti při analýze časových řad srážkových úhrnů, velikosti průtoku, čerpání z vrtu a výšky hladiny podzemní vody ve vrtu.
Seznam doporučené literatury
\renewcommand{\labelenumi}{[\arabic{enumi}]}
Eva Volná, Neuronové sítě 1. 2008 Ostravská univerzita v Ostravě.
C.W. Dawson, and R.L. Wilby, Hydrological modelling using artificial neural networks. Progress in Physical Geography 25,1 (2001) pp. 80--108.
Winston Chang, Joe Cheng, JJ Allaire, Yihui Xie and Jonathan McPherson (2017). shiny: Web Application Framework for R. R package version 1.0.4. https://CRAN.R-project.org.
Seznam doporučené literatury
\renewcommand{\labelenumi}{[\arabic{enumi}]}
Eva Volná, Neuronové sítě 1. 2008 Ostravská univerzita v Ostravě.
C.W. Dawson, and R.L. Wilby, Hydrological modelling using artificial neural networks. Progress in Physical Geography 25,1 (2001) pp. 80--108.
Winston Chang, Joe Cheng, JJ Allaire, Yihui Xie and Jonathan McPherson (2017). shiny: Web Application Framework for R. R package version 1.0.4. https://CRAN.R-project.org.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Průběh obhajoby je zveřejněn pouze přihlášenému uživateli.