Diplomová práca sa zaoberá analýzou možností počítačových simulátorov neurónových sietí. V jej úvode stručne nahliadneme na históriu vývoja neurónových sietí a jej jednotlivých etáp, zameriame sa aj na niektoré všeobecné aplikácie neurónových sietí v praxi, ktoré sú bežne zaužívané korporáciami alebo väčšími firmami. V hlavnej časti diplomovej práce ako prvé rozoberáme jednotlivé kritériá, ktoré sú neoddeliteľnou súčasťou analýzy simulátorov pre prácu s neurónovými sieťami. Následne na základe kritérií, ktoré sme si vopred pripravili, vyhodnocujeme jednotlivé simulátory a vytvoríme podrobnú výstupnú tabuľku, podľa ktorej bude možné sa zorientovať vo výhodách a nevýhodách daných simulátorov. V hlavnej časti práce sa primárne zameriavame na tie víťazné, ktoré na základe daných kritérií dosiahli vynikajúce výsledky. Rozbor simulátorov je následne podrobnejší a obsahuje návod na ich inštaláciu, obsluhu a stručné zhodnotenie dokumentácie a užívateľskej prítulnosti webového portálu a simulátora. V ďalšej kapitole sa sústreďujeme na výkonové benchmark porovnanie týchto simulátorov v rovnakej úlohe, a to trénovaní rukou písaných číslic na MNIST datasetoch, ktoré predstavujú dobrú ukážku porovnania rýchlosti jednotlivých simulátorov. V kapitole číslo štyri sa zameriavame hlavne na zhodnotenie všetkých simulátorov, ktoré dosiahli hodnotenie vynikajúci a porovnanie ich medzi sebou. Určujeme si tiež kritériá, na základe ktorých je možné vyhlásiť užívateľsky najprítulnejší simulátor pre prácu s neurónovými sieťami súčasnosti. V poslednej kapitole, ktorá obsahuje zhrnutie, sa zameriavame na postrehy, na ktoré sme narazili pri práci s danými simulátormi, na ich výhody a nevýhody a celkové zhodnotenie toho, či je ich funkcionalita a vlastnosti postačujúce pre dnešnú dobu. Zhodnocujeme tiež aktuálne požiadavky pre praktické využitie.

This diploma thesis is mainly focused on analysis of the possibilities of computer simulators of neural networks. In the introduction we are analysing the history of neural networks evolution and each phase. History is followed by some examples of practical use of neural networks in corporations and bigger companies. In core of diploma thesis we are as first thing creating criteria for analysis for neural network simulators as whole. Next step was creating a table which contains information about each of this neural network simulators as rating for each criteria. In the core of diploma thesis we are focusing only on the best of this neural network simulators, which earned the most valuable rating in every criteria, and we are analysing them more deeply. Analysis of this best rated neural networks are expanded by instructions how to install the simulator, how to work with them and a brief rating of neural network simulator website, user friendliness and documentation. In the next chapter we are focusing on performance benchmark testing in the same task, which is training neural tool for handwritten numbers provided by MNIST dataset, which is used as input data. This is great example of usage which can be done with most of the simulators for neural network training usage. In chapter number four we are focusing on evaluation of best rated neural networks and compare them between each other, we are coming with final criteria which can determine the best user friendly simulator for work with neural networks. In the last chapter we summarize all the information we find out in our analysis, and explain some interesting observations, pros and cons of work with simulators for neural networks. At the end of thesis we are concluding if actual available neural network simulators are good enough for requests for practical usage in different sectors.