Disertační práce se zaměřuje na vícevrstvý (konkrétně dvouvrstvý) přístup k algoritmu genetického programování a vylepšení trénovacího procesu pomocí moderních optimalizačních metod a přístupů (například sborového učení). Cílem disertační práce bylo navrhnout a implementovat dvouvrstvý algoritmus genetického programování, otestovat jeho chování v rámci symbolické regrese na několika základních testovacích případech a najít vhodná nastavení, která mají potenciál zefektivnit proces učení genetického programování a zvýšit přesnost výsledných modelů. Algoritmus pracuje ve dvou fázích. V první fázi hledá vhodné dílčí modely (stavební bloky) popisující jednotlivé segmenty dat pomocí. Ve druhé fázi hledá výsledný model jako nelineární kombinaci těchto dílčích modelů.
Annotation in English
This dissertation focuses on a multi-layer (specifically, two-layer) approach to genetic programming algorithm and the improvement of the training process using modern optimization methods and approaches (e.g., ensemble learning). The goal of the dissertation was to design and implement a two-layer genetic programming algorithm, test its behavior in a symbolic regression framework on several basic test cases, and find appropriate settings that have the potential to improve the learning process of genetic programming and increase the accuracy of the resulting models. The algorithm works in two phases. In the first phase, it searches for appropriate submodels (building blocks) describing each segment of the data. In the second phase, it searches for the resulting model as a nonlinear combination of these submodels.
Disertační práce se zaměřuje na vícevrstvý (konkrétně dvouvrstvý) přístup k algoritmu genetického programování a vylepšení trénovacího procesu pomocí moderních optimalizačních metod a přístupů (například sborového učení). Cílem disertační práce bylo navrhnout a implementovat dvouvrstvý algoritmus genetického programování, otestovat jeho chování v rámci symbolické regrese na několika základních testovacích případech a najít vhodná nastavení, která mají potenciál zefektivnit proces učení genetického programování a zvýšit přesnost výsledných modelů. Algoritmus pracuje ve dvou fázích. V první fázi hledá vhodné dílčí modely (stavební bloky) popisující jednotlivé segmenty dat pomocí. Ve druhé fázi hledá výsledný model jako nelineární kombinaci těchto dílčích modelů.
Annotation in English
This dissertation focuses on a multi-layer (specifically, two-layer) approach to genetic programming algorithm and the improvement of the training process using modern optimization methods and approaches (e.g., ensemble learning). The goal of the dissertation was to design and implement a two-layer genetic programming algorithm, test its behavior in a symbolic regression framework on several basic test cases, and find appropriate settings that have the potential to improve the learning process of genetic programming and increase the accuracy of the resulting models. The algorithm works in two phases. In the first phase, it searches for appropriate submodels (building blocks) describing each segment of the data. In the second phase, it searches for the resulting model as a nonlinear combination of these submodels.
GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning. Cambridge, MA: MIT press, [2016]. Adaptive computation and machine learning series. ISBN 9780262035613.
RUSSELL, Stuart J. a Peter NORVIG. Artificial intelligence: a modern approach. 3rd ed. Upper Saddle River: Prentice Hall, 2010. Prentice Hall series in artificial intelligence. ISBN 978-0136042594.
Recommended resources
GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning. Cambridge, MA: MIT press, [2016]. Adaptive computation and machine learning series. ISBN 9780262035613.
RUSSELL, Stuart J. a Peter NORVIG. Artificial intelligence: a modern approach. 3rd ed. Upper Saddle River: Prentice Hall, 2010. Prentice Hall series in artificial intelligence. ISBN 978-0136042594.
Enclosed appendices
-
Appendices bound in thesis
-
Taken from the library
No
Full text of the thesis
Appendices
Reviewer's report
Supervisor's report
Defence procedure record
Po představení doktoranda Ing. Jana Merty byla komise seznámena se stanoviskem školitele k disertační práci a osobě disertanta. Doktorand seznámil komisi se svojí disertační prací formou prezentace. Poté byly předneseny posudky oponentů a doktorand reagoval na připomínky oponentů. V následné veřejné diskusi disertant odpověděl na otázky členů komise, které jsou uvedeny na samostatných listech. Komise posoudila disertační práci a rozhodla, že disertační práce není plagiát. Na závěr proběhlo tajné hlasování. Protokol o výsledcích hlasování tvoří samostatnou přílohu.