Práce se zabývá využitím 3D konvolučních neuronových sítí pro klasifikaci 3D objektů. Student zpracoval základní teoretický přehled problematiky neuronových sítí a navrhl vlastní model, který následně experimentálně ověřoval na vybraných datasetech. Součástí práce je také porovnání vlivu několika parametrů na výslednou úspěšnost klasifikace.

Student prokázal základní orientaci v problematice a schopnost implementovat a experimentálně otestovat navržené řešení. Oceňuji zejména snahu o praktické ověření různých konfigurací modelu a zpracování experimentálních výsledků formou tabulek a grafů. V textu ale například chybí vysvětlení confusion matrix.

Práce však obsahuje větší množství formálních i odborných nedostatků. Teoretická část je místy příliš popisná a opírá se i o méně vhodné zdroje literatury. Některé odborné formulace jsou nepřesné nebo zjednodušené. Výraznější výhradu mám také k části popisující ztrátové funkce. Rovnice (5.7), (5.8) vyjadřují kvadratickou ztrátu, ale v implementaci používá bakalant cross-entropy.  V textu se dále objevují jazykové a stylistické nedostatky i drobné chyby v terminologii. Grafická úprava práce je také slabší. Obrázky 3.1, 4.1, 4.2 by bylo vhodné překreslit do kvalitnější verze, obrázky ve výsledcích exportovat ve vyšší kvalitě. Text práce bylo nutné opakovaně korigovat po formální i odborné stránce a řadu částí přepracovávat. 

Student splnil cíle práce, navrhuji hodnocení D. 

Bakalářská práce se zabývá problematikou neuronových sítí se zaměřením na konvoluční neuronové sítě.

Po úvodu práce začíná krátkým popisem diskrétních 3D dat a vhodnými možnostmi jejich reprezentace. Dále práce pokračuje úvodem do neuronových sítí. Jsou zde drobné nepřesnosti, například perceptron je uveden jako čistě binární, u běžné definice perceptronu jsou definovány vstupy jako reálný vektor a výstup jako jedna binární hodnota. U ReLU by v návaznosti na zmínku o diferencovatelnosti aktivačních funkcí bylo vhodné zmínit, že funkce ReLU není diferencovatelná v 0. Práci provázejí ne úplně jasné formulace, např. počáteční odstavec o konvolucích v sekci o konvolučních neuronových vrstvách působí značně zmateně, obzvláště když už byl pojem konvoluce definován výše.

Někdy jsou pojmy zavedeny až po jejich užití, jako příklad uveďme pojem padding. Obecně je teorie psána více slovně, než by v matematické práci bylovhodné.

Autor pracuje se zahraniční literaturou, přičemž občas využívá nestandardních překladů, nebo nechává pojmy v angličtině, např. "tréninková" místo "trénovací", "momentum" místo "hybnost". U některých referencí není jasné, co přesně je citováno. Na některé obrázky chybí reference v textu, např. Obrázek 5.5. V textu se objevuje větší množství překlepů.

Nicméně, autor všechny cíle zadání splnil. Jsou sestaveny konvoluční sítě pro klasifikaci na dvou různých 3D datasetech. Autor diskutuje vlivy změn parametrů a hyperparametrů implementovaných sítí. V uvedených implementacích se objevují drobné nepodstatné chyby, např. využití funkce np.vdot místo klasického součinu np.dot nebo operátoru @; pro komplexní data by výsledek operace byl jiný.

Předložená práce i přes uvedené výhrady splňuje požadavky kladené na bakalářskou práci. Doporučuji ji k obhajobě a navrhuji celkové hodnocení D. Topics for thesis defence:

1. Prosím o objasnění ztrátových funkcí daných vztahem 5.7 a 5.8; jakou roli mají jednotlivé proměnné?
2. Jaký je rozdíl mezi parametry a hyperparametry?