|
|
Samoorganizace a umělé neuronové sítě pro extrakci znalostí
Aharkava, Larysa ; Mrázová, Iveta (vedoucí práce) ; Iša, Jiří (oponent)
Neuronové sítě jsou často využívány k predikci finančních časových řad. Předpovídání budoucích hodnot však skrývá řadu problémů, které často znemožní vytvoření protabilního obchodního systému. V této diplomové práci jsem popsala dva typy neuronových sítí - Kohonenovy mapy a sítě založené na algoritmu zpětného šíření. Na základě těchto dvou přístupů jsem zkonstruovala a následně otestovala dva obchodní modely. V obecnější rovině jsem se také věnovala popisu speci k Forexu (Foreign exchange market) a možnostem využití neronových sítí na těchto trzích.
|
|
|
Artificial neural networks for pattern recognition
Kukačka, Marek ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
V této práci jsou popsány možnosti, výhody a nevýhody využití neuronových sítí při rozpoznávání vzorů. Je představeno několik modelů neuronových sítí použitelných pro tuto úlohu. Standartní vícevrstvá perceptronová síť je porovnávána se so stikovanější konvoluční sítí. Práce také představuje nový model, inspirovaný konvolučními sítěmi, jehož účelem je odstranit některé jejich nedostatky. Práce popisuje výsledky testů porovnávajících výsledky popsaných neuronových sítí na úloze rozpoznávání ručně psaných číslic.
|
|
|
Knowledge Extraction from Data
Kozák, Vladislav ; Mrázová, Iveta (vedoucí práce) ; Petříčková, Zuzana (oponent)
Predmetom diplomovej práce je zhrnutie celkového procesu dobývania znalostí z dát a popis existujúcich algoritmov na predspracovanie dát a tvorbu modelu. Vlastnosti algoritmov sú navzájom porovnané a výsledky podložené opakovateľnými testami. Získané znalosti sú použité a aplikované na 2 úlohách z praxe. Súčasťou diplomovej práce bola tiež tvorba aplikácie na dobývanie znalostí z dát. Pri vývoji aplikácie sa kládol dôraz na robustnosť, použiteľnosť, intuitívnosť ovládania ako aj široké spektrum implementovaných algoritmov na dobývanie znalostí z dát.
|
|
|
Deep neural networks and their implementation
Vojt, Ján ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
Hluboké neuronové sítě jsou efektivní a univerzální model schopný řešit širokou škálu úloh. Tato práce je zaměřena na studium tří různých typů hlubokých neuronových sítí - vícevrstvý perceptron, konvoluční neuronové sítě, a sítě typu DBN (deep belief). Všechny popisované modely hlubokých neurónových sítí jsou naimplementovány na paralelní hardvérové architektuře, a otestovány pro různa nastavení architektury sítě i jejích parametrů. Implementovaný systém je doplněn detailní dokumentací softvérového návrhu a popisem použitých optimalizací. Efektivitu implemenetovaného frameworku dokládají i výsledky provedených výkonnostních testů. Významnou součást práce představuje i testování dalších existujících frameworků s podporou hlubokých neuronových sítí. Porovnání ukazuje, že framework vytvořený v rámci této práce dosáhl lepších výkonnostních výsledků než testované konkurenční implementace vícevrstvých perceptronů a konvolučních neuronových sítí. Implementace sítí typu DBN dosahuje v porovnání s konkurenční implementací mírně lepších výkonnostních výsledků pro RBM vrstvy o velikosti do 1000 neuronů, ale znatelně slabších výkonnostních výsledků pro robustnější RBM vrstvy. Powered by TCPDF (www.tcpdf.org)
|
|
|
Konvoluční neuronové sítě a jejich implementace
Schmid, Martin ; Mrázová, Iveta (vedoucí práce) ; Petříčková, Zuzana (oponent)
Tato práce ukazuje možnost využití konvolučních neuronových sítí pro rozpoznávání symbolů z obrázku. Popisuje tento model a také představuje jeho implementaci. Tato implementaci je následně použita v ukázkové aplikaci. Nejprve je představen model neuronových sítí. Poté následuje popis učení tohoto modelu, včetně bližšího popisu algoritmu zpětného šíření. Nakonec je rozebrán model konvolučních neuronových sítí, kde jsou ukázány jeho přednosti při rozpoznávání obrázků Dále se analyzují některé stávající implementace neuronových sítí. Každá je blíže představena a nakonec porovnány rychlosti. Protože žádná z těchto implementací nepodporuje model konvolučních neuronových sítí, je jedna z implementací o tento model rozšířena. Následuje bližší popis problematiky implementace tohoto modelu a představeno rozhraní rozšířené knihovny (tj. jak uživatel tuto knihovnu může použít). Pro předvedení vlastností konvolučních neuronových sítí a funkčnosti této knihovny, je nakonec vytvořena ukázková aplikace. Aplikace je dostupná na webových stránkách a spustitelná v prohlížeči. Využívá této knihovnu pro rozpoznávání symbolů kreslených uživatelem přímo do této aplikace. Klíčová slova: Konvoluční neuronové sítě, OCR, Encog 6
|
|
|
Uživatelsky orientovaný jazyk pro řešení úloh DZD
Kováč, Michal ; Rauch, Jan (vedoucí práce) ; Mrázová, Iveta (oponent)
Práce pojednává o novém funkcionálním vizuálním programovacím jazyku a jeho použití k dobývání znalostí z databízí. Tento jazyk se nazývá Ferda a je integrální součástí systému Ferda, což je aplikace, která byla původně vytvořena pro dobývání znalostí z databízí metodou GUHA. Funkce jazyka Ferda jsou představovány krabičkami. Zdrojové kódy pak jsou zapsány jako zapojení krabiček a zdrojovými soubory jsou projekty systému Ferda. Práce popisuje stav systému Ferda před touto prací z pohledu vizuálního programování, popisuje možná rozšíření zdrojových souborů, dále představuje novou základní množinu funkcí pro jazyk Ferda a popisuje jiná možná vylepšení tohoto jazyka. Některá z těchto rozšíření byla v rámci této práce implementována. V poslední části práce se nachází příklady použití nového jazyka k dobývání znalostí z databází. Jeden z nich byl také implementován jako součást této práce.
|
|
|
Vrstevnaté neuronové sítě a jejich aplikace při dobývání znalostí
Civín, Lukáš ; Mrázová, Iveta (vedoucí práce) ; Štanclová, Jana (oponent)
Dobývání znalostí řeší netriviální úlohy extrakce informací z často velkých objemů dat. Ta navíc mohou být zatížena velkým množstvím nepřesností a jejich kvalita může být diskutabilní. Při nasazení vrstevnatých neuronových sítí v dobývání znalostí je proto nutné položit si dvě základní otázky. Jak co nejlépe připravit data, aby bylo možné využít celý potenciál neuronových sítí. A také jak co nejvhodněji navrhnout a následně adaptovat neuronovou síť, aby dokázala dobře řešit zadané úlohy. Jedním z nejdůležitějších předpokladů je zamezit přeučení neuronové sítě. Výsledná síť by měla co nejlépe zobecňovat získané znalosti. Existují různé techniky, které se liší svým přístupem k problému i svými vlastnostmi. Jedná se o specifické úpravy dat (např. změna rozsahu dat, změna dimenze vstupu, přidání šumu), případně o modifikace základního modelu neuronové sítě (např. učení se zapomínáním, weight decay, early stopping). Tato práce shrnuje a porovnává jednotlivé přístupy. První část nabízí teoretický popis a porovnání jednotlivých metod. Jejich vlastnosti jsou ověřeny v experimentální části na úlohách různých typů. Na základě vyhodnocení získaných poznatků jsme navrhli metodiku řešení úloh dobývání znalostí pomocí vrstevnatých neuronových sítí. Metodiku jsme s úspěchem aplikovali na reálné úloze dobývání znalostí....
|
|
|
Convolutional neural networks and their application in object detection
Hrinčár, Matej ; Mrázová, Iveta (vedoucí práce) ; Pešková, Klára (oponent)
1 Názov práce: Konvoluční neuronové sítě a jejich využití při detekci objektů Autor: Matej Hrinčár Katedra (ústav): Katedra teoretické informatiky a matematické logiky (32-KTIML) Vedúci diplomovej práce: doc. RNDr. Iveta Mrázová, CSc. E-mail vedúceho práce: Iveta.Mrazova@mff.cuni.cz Abstrakt: V dnešnej dobe je moderné zatraktívňovať športové prenosy tzv. rožšírenou realitou, napríklad k hráčom hokejového zápasu zobraziť rôzne štatistiky. Aby sme to mohli urobiť, musíme hráčov najprv automaticky nájsť - detekovať. Touto náročnou úlohou sa zaoberá predložená práca. Išlo nám nielen o presnosť, ale i o rýchlosť, pretože by sme mali byť schopní detekcie v reálnom čase. Využili sme jeden z novších modelov neurónových sietí - konvolučné siete. Sú vhodné na spracovanie obrazových dát a ako vstup dostávajú obrázok bez akéhokoľvek predspracovania. Na základe podrobnej analýzy a urobených testov sme si ich vybrali pre implementáciu detektora hokejových hráčov v hokejovom zápase. V práci sme otestovali niekoľko rôznych architektúr týchto sietí, porovnali ich a vybrali tú z nich, ktorá je presná a rýchla. Otestovali sme i robustnosť siete na zašumených vzoroch. Nakoniec sme pre takto detekovaných hráčov použili farbu ich dresu a na jej základe ich pomocou algoritmu K-means zaradili do jedného z práve hrajúcich tímov....
|
|
|
Rekonstrukce MVN Hradisko v katastrálním území Radslavice
Mrázová, Iva ; Kostelecký, Jiří (oponent) ; Paseka, Stanislav (vedoucí práce)
Diplomová práce „Rekonstrukce MVN Hradisko v katastrálním území Radslavice“ se zabývá komplexním zpracováním rekonstrukce malé vodní nádrže Hradisko. Tato práce navazuje na bakalářskou práci, ve které byl podrobně popsán současný stav MVN Hradisko. Na základě zaměření hráze a zátopy pomocí přístroje GPS je vypracována podrobná projektová dokumentace. V rámci řešení rekonstrukce MVN Hradisko je navržena oprava hráze a navýšení koruny hráze, dále jsou dimenzovány nové funkční objekty, odbahnění dna včetně úprav v zátopě a další nezbytné kroky důležité pro správnou funkčnost strádající a již nevyhovující MVN. Funkční objekty jsou zpracovány pro dvě varianty řešení. První varianta spočívá v návrhu výpustného objektu a bezpečnostního přelivu a druhá varianta zahrnuje návrh sdruženého funkčního bloku. Na závěr jsou vyčísleny a porovnány celkové náklady obou variant na základě orientačního položkového rozpočtu.
|
|
|
Modely neuronových sítí pro mobilní zařízení
Georgiev, Georgi Stoyanov ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
Návrh efektivních metod pro klasifikaci obrázků a detekci objektů v reálném čase patří mezi nejznámější problémy současnosti. Byla navržena řada konvolučních neurono- vých sítí pro řešení těchto úloh. Mezi nejrychlejší z nich patří neuronové sítě vytvořené speciálně pro mobilní zařízení. V této práci se tedy zaměřujeme primárně na modely MobileNetV2 a EfficientNetB0. Představíme strukturu obou modelů a navzájem je po- rovnáme. Zkoumáme též několik algoritmů určených k automatickému sestavení modelů neuronových sítí. Nezbytnou součástí procesu návrhu konvolučních sítí je i optimalizace jejich struktury. Nastíníme metody citlivostní analýzy, které nám umožní pozorovat vliv vstupu na výstup sítě, a prořezávání určené k odstranění redundantních neuronů. Nako- nec předvedeme příkladové použití modelu EfficientNetB0 v mobilní aplikaci vyvinuté ke klasifikaci automobilů. 1
|
host ::
RSS.