|
|
Selekce příznaků pomocí nekorelovaných charakteristik
Vaculík, Karel ; Klusáček, Jan (oponent) ; Honzík, Petr (vedoucí práce)
Ke zpracování nadměrného množství dat v digitální podobě je zapotřebí použít prostředků výpočetní techniky. V některých případech je možné použít statistické metody nebo strojové učení. V obou případech mohou být data reprezentována velkým počtem příznaků. Pro efektivní zpracování může hrát důležitou roli výběr pouze určité množiny příznaků, které jsou relevantní. Tato práce zkoumá podskupinu metod pro výběr příznaků, tzv. filter metody. Tyto metody jsou mezi sebou porovnány a na základě výsledků je navržena nová metoda, která je kombinací metod původních.
|
|
| |
|
|
Identifikace pohlaví z textu
Mačát, Jakub ; Burda, Karel (oponent) ; Červenec, Radek (vedoucí práce)
Práce je zaměřena na identifikaci pohlaví z textu výhradně z emailové formy a s tím spojené současné metody získávání dat a textu. Jejich výhody, nevýhody a možnosti použití. Dále byl realizován program na rozpoznávání pohlaví v programovacím jazyku Java. V programu Rapid Miner je ukázáno zpracování pomocí různých algoritmů strojového učení. U obou programů jsou popsány jejich základní vlastnosti, užité metody a použité operátory při realizaci. Programy byly testovány na reálných datech. Dále jsou zde uvedeny metody na rozšíření programů. Nakonec jsou zobrazeny příklady jak programy zpracovávají zadané úlohy.
|
|
|
Methods for fast sequence comparison and identification in metagenomic data
Kupková, Kristýna ; Škutková, Helena (oponent) ; Sedlář, Karel (vedoucí práce)
The objective of this thesis is to create a method for identification of organisms in metagenomic data. Until this point methods based on sequence alignment with reference database have been sufficient for this purpose. However, the volume of data grows rapidly with evolvement of sequencing techniques and the alignment-based methods became inconvenient due to computationally demanding alignment. A new technique is introduced in this master’s thesis, which allows alignment-free metagenomic data classification. The method is based on transformation of sequences to genomic signals in form of phase representation, from which feature vectors are extracted. These features are three Hjorth descriptors, which are then subjected expectation maximization for Gaussian mixture model method allowing reliable binning of metagenomic data.
|
|
|
Použití metod hlubokého učení v úlohách zpracování obrazu
Polášková, Lenka ; Marcoň, Petr (oponent) ; Mikulka, Jan (vedoucí práce)
Učení rozpoznávání objektů pomocí neuronové sítě spočívá v napodobení chování živočišné neuronové sítě. Přestože nejsou ani zdaleka známy detaily fungování mozku, týmy složené z vědců z různých oborů medicíny a techniky se snaží po těchto detailech pátrat. Díky velikánům jako je Geoffrey Hinton věda v tomto oboru velice pokročila. Konvoluční neuronové sítě, které se vycházejí z živočišného modelu optického systému, lze s výhodou použít pro segmentování obrazu, a proto byly vybrány pro segmentaci nádorů a edémů z obrazů magnetické resonance. Modely neuronové sítě, použité v této práci, dosáhly úspěšnosti 41\% procent v segmentaci edémů a 79\% v segmentaci nádorů z mozkové tkáně.
|
|
|
Klasifikace obrazů s pomocí hlubokého učení
Hřebíček, Zdeněk ; Přinosil, Jiří (oponent) ; Mašek, Jan (vedoucí práce)
Práce se zabývá detekcí objektů v obraze a jejich klasifikací do tříd. Klasifikace je zajištěna modely prostředí pro hlubokého učení BVLC/Caffe; Detekci objektů zajišťují algoritmy AlpacaDB/selectivesearch a belltailjp/selective_search_py. Jedním z výsledků této práce je úprava a využití modelu hluboké konvoluční neuronové sítě AlexNet v prostředí BVLC/Caffe. Model byl natrénován s přesností 51,75% pro klasifikaci do 1 000 tříd, následně byl upraven a natrénován pro klasifikaci do 20 tříd s přesnotí 75.50%. Přínosem práce je implementace grafického rozhraní pro detekci a klasifikaci objektů do tříd, jež je implementováno jako aplikace na bázi webového serveru v jazyce Python. Aplikace integruje výše zmíněné algoritmy detekce objektů s klasifikací pomocí BVLC/Caffe. Výslednou aplikaci lze použít jak pro detekci (a klasifikaci) objektů, tak pro rychlé ověření klasifikačních modelů prostředí BVLC/Caffe. Tato aplikace byla pro možnost rozšíření a dlašího využití zveřejněna na serveru GitHub pod licencí Apache 2.0.
|
|
|
Elektronický modul pro akustickou detekci
Maršál, Martin ; Klusáček, Jan (oponent) ; Havránek, Zdeněk (vedoucí práce)
Tato diplomová práce se zabývá návrhem a realizací elektronického modulu pro akustickou detekci. Modul má za úkol detekovat předem definované akustické signály pomocí na ně naučeného klasifikačního modelu. Modul slouží převážně pro zabezpečovací účely. Pro identifikaci a klasifikaci je navržen model pomocí technik strojového učení. Vzhledem k možnosti přeučení na jinou sadu zvuků se modul stává univerzálním akustickým detektorem. Pro snímání akustického zvuku je použit digitální MEMS mikrofon, pro který je navržen a realizován převodní filtr. Výsledný systém je implementován do firmwaru mikrokontroléru s operačním systémem reálného času. Jednotlivé funkce systému jsou realizovány s ohledem na možnou optimalizaci (méně výkonný MCU nebo bateriové napájení). Modul předává výsledky detekce nadřazené stanici pomocí Ethernetové sítě. V případě více modulů připojených do sítě se vytvoří distribuovaný systém, pro který je navržena přesná časová synchronizace pomocí PTP protokolu definovaného normou IEEE-1588.
|
|
|
Využití algoritmů strojového učení pro konstrukci hlídacích obvodů
Lelkes, Olivér ; Mičulka, Lukáš (oponent) ; Kaštil, Jan (vedoucí práce)
Tato bakalářská práce se zabývá využitím algoritmů strojového učení pro konstrukci hlídacích obvodů. Práce obsahuje detailní popis jednotlivých algoritmů strojového učení, které byly vybrány pro splnění cíle bakalářské práce. V textu práce je uvedeno seznámení jak s teoretickými vlastnostmi, tak i s konkrétním využitím dotyčných algoritmů ve formě klasifikátorů. Klasifikátory mohou pracovat s různými nastaveními, které ovlivňují přesnost učení a následné klasifikace. V experimentální části práce je poukázáno na rozdíly mezi jednotlivými klasifikátory a jejich nastavením. Experimenty byly prováděny na různých obvodech, mimo jiné na řídících jednotkách robota, vyvíjených na Ústavu počítačových systémů Fakulty informačních technologií VUT v Brně.
|
|
|
Rozpoznání počasí z pohledu venkovní stacionární kamery
Jenčo, Michal ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato práce řeší rozpoznávání počasí z pohledu stacionární venkovní kamery se záběrem krajiny, a to konkrétně mlhy, jasného, polojasného a zamračeného počasí. Zvolený problém byl vyřešen výpočtem pěti obrazových příznaků a strojového učení. Podařilo se dosáhnout celkové úspěšnosti rozpoznávání 95% s jenom malými odchýlkami mezi jednotlivými typmi počasí. Hlavným zjištěním této práce je, že za pomoci zvolené sady jednoduchých příznaků je možno úspěšně odlišit zvolené typy počasí. Výsledky této práce umožňují graficky vykreslit průběh počasí počas dne.
|
|
|
Strojové učení v přirozeném jazyce
Otrusina, Lubomír ; Šilhavá, Jana (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá zjednoznačňováním slovních významů pomocí metod strojového učení. Čtenář je krátce seznámen s danou problematikou a jejím historickým vývojem. Jsou zde popsány nejpoužívanější metody a přístupy, speciálně pak naivní Bayesův klasifikátor, který je implementován v systému. Je zde uveden i názorný příklad pro tento klasifikátor. V praktické části je popsán návrh systému využívající tohoto klasifikátoru včetně popisu různých algoritmů použitých v systému. Na závěr je uvedeno vyhodnocení výsledků systému a jejich analýza. Implementovaný systém se zúčastnil soutěže v rámci mezinárodní konfernce sémantického vyhodnocování SemEval-2007.
|
host ::
RSS.