Národní úložiště šedé literatury Nalezeno 8 záznamů.  Hledání trvalo 0.00 vteřin. 
Constraint satisfaction for inductive logic programming
Chovanec, Andrej ; Barták, Roman (vedoucí práce) ; Železný, Filip (oponent)
Induktívne logické programovanie je oblasť zaoberajúca sa vývojom klauzálnych teórií z pozorovaní, kde pre danú množinu príkladov a dodatočnú informáciu hľadáme hypotézu, ktorá pokrýva všetky pozitívne príklady a nepokrýva žiadny negatívny príklad. V tejto práci nadväzujeme na prácu skúmajúcu konzistenciu šablón a rozširujeme ju k riešeniu všobecnej konzistencie. Navrhujeme algoritmus DeMeR skladajúci sa z troch fáz, ktorý rozdelí pôvodný problém na viacero menších častí, následne ich vyrieši a tieto riešenia spojí do kompletného riešenia a nakoniec transformuje výsledok do kompaktnej výslednej hypotézy. Ďalej sa zameriavame na techniku hľadania riešení dekomponovaných častí a navrhujeme generuj-a-testuj metódu založenú na pravdepodobnostnom prístupe s pamäťou výpočtu. V práci analyzujeme jednotlivé komponenty navrhnutých algoritmov a demonštrujeme ich vplyv na dobu výpočtu a štruktúru výslednej hypotézy. Ukazuje sa, že prvá fáza algoritmu sa koncentruje na rýchle vyriešenie problému za cenu dlhšej štruktúry hypotézy, kým zvyšné dve fázy skracujú výsledok do prijateľnej podoby. Nakoniec naše výsledky porovnávame s existujúcimi systémami na príkladoch hľadania spoločných štruktúr v náhodných grafoch a ukazujeme, že nami prezentované techniky prekonávajú uvedené systémy.
Learning for Classical Planning
Chrpa, Lukáš ; Barták, Roman (vedoucí práce) ; Železný, Filip (oponent) ; Berka, Petr (oponent)
This thesis is mainly about classical planning for artificial intelligence (AI). In planning, we deal with searching for a sequence of actions that changes the environment from a given initial state to a goal state. Planning problems in general are ones of the hardest problems not only in the area of AI, but in the whole computer science. Even though classical planning problems do not consider many aspects from the real world, their complexity reaches EXPSPACE-completeness. Nevertheless, there exist many planning systems (not only for classical planning) that were developed in the past, mainly thanks to the International Planning Competitions (IPC). Despite the current planning systems are very advanced, we have to boost these systems with additional knowledge provided by learning. In this thesis, we focused on developing learning techniques which produce additional knowledge from the training plans and transform it back into planning do mains and problems. We do not have to modify the planners. The contribution of this thesis is included in three areas. First, we provided theoretical background for plan analysis by investigating action dependencies or independencies. Second, we provided a method for generating macro-operators and removing unnecessary primitive operators. Experimental evaluation of this...
Modelling and Solving Problems Using SAT Techniques
Balyo, Tomáš ; Barták, Roman (vedoucí práce) ; Železný, Filip (oponent) ; Biere, Armin (oponent)
Řešení problémů plánování prostřednictvím překladů do splnitelnosti (SAT) je jedním z nejúspěšnějších přístupů k automatickému plánování. V této práci popíšeme několik způsobů jak přeložit problém plánování reprezentovaný v SAS+ formalismu do SAT. Přezkoumáme a přizpůsobíme stávající kódování a také zavedeme nové vlastní způsoby kódování. Porovnáme jednotlivá kódování pomocí výpočtu horních odhadů na velikosti formulí, které produkují, a pomocí spuštění rozsáhlých experimentů na referenčních problémech z Mezinárodní plánovací soutěže 2011. V experimentální části také porovnáme své kódování s nejmodernejšími kódováními z plánovače Madagascar. Experimenty ukazují, že naše techniky dokažou překonat tato kódování. V předložené práci také řešíme speciální případ optimalizace plánů -- odstranění redundantních akcí. Odstranění všech redundantních akcí je NP- úplný problém. Prostudujeme existující polynomialní heuristické přístupy a navrhneme vlastní heuristický přístup, který dokaže eliminovat vyšší počet a dražší redundantní akce než stávající techniky. Také navrhneme způsob kódování problému redundance plánů do SAT, který nám za použití MaxSAT řešičů umožní optimálně vyřešit problém eliminace redundantních akcí. Naše experimenty provedené s plány od nejmodernejších satisficing plánovačů pro referenční problémy...
Modelling and Solving Problems Using SAT Techniques
Balyo, Tomáš ; Barták, Roman (vedoucí práce) ; Železný, Filip (oponent) ; Biere, Armin (oponent)
Řešení problémů plánování prostřednictvím překladů do splnitelnosti (SAT) je jedním z nejúspěšnějších přístupů k automatickému plánování. V této práci popíšeme několik způsobů jak přeložit problém plánování reprezentovaný v SAS+ formalismu do SAT. Přezkoumáme a přizpůsobíme stávající kódování a také zavedeme nové vlastní způsoby kódování. Porovnáme jednotlivá kódování pomocí výpočtu horních odhadů na velikosti formulí, které produkují, a pomocí spuštění rozsáhlých experimentů na referenčních problémech z Mezinárodní plánovací soutěže 2011. V experimentální části také porovnáme své kódování s nejmodernejšími kódováními z plánovače Madagascar. Experimenty ukazují, že naše techniky dokažou překonat tato kódování. V předložené práci také řešíme speciální případ optimalizace plánů -- odstranění redundantních akcí. Odstranění všech redundantních akcí je NP- úplný problém. Prostudujeme existující polynomialní heuristické přístupy a navrhneme vlastní heuristický přístup, který dokaže eliminovat vyšší počet a dražší redundantní akce než stávající techniky. Také navrhneme způsob kódování problému redundance plánů do SAT, který nám za použití MaxSAT řešičů umožní optimálně vyřešit problém eliminace redundantních akcí. Naše experimenty provedené s plány od nejmodernejších satisficing plánovačů pro referenční problémy...
Semantic annotations
Dědek, Jan ; Vojtáš, Peter (vedoucí práce) ; Maynard, Diana (oponent) ; Železný, Filip (oponent)
V této práci jsou prezentována čtyři relativně samostatná témata. Každé z nich reprezentuje jeden aspekt extrakce informací z textů. První dvě témata jsou zaměřena na naše metody pro extrakci informací založené na hloubkové lingvistické analýze textu. První téma se týká toho, jak byla lingvistická analýza použita při extrakci v kombinaci s ručně navrženými extrakčními pravidly. Druhé téma se zabývá metodou pro automatickou indukci extrakčních pravidel pomocí Induktivního logického programování. Třetí téma práce kombinuje extrakci informací s odvozováním znalostí (reasoningem). Jádro naší extrakční metody bylo experimentálně implementováno pomocí technologií sémantického webu, což umožňuje export extrakčních pravidel do tzv. přenositelných extrakčních ontologií, které jsou nezávislé na původním extrakčním nástroji. Poslední téma této práce se zabývá klasifikací dokumentů a fuzzy logikou. Zkoumáme možnosti využití informací získaných metodami extrakce informací ke klasifikaci dokumentů. K tomuto účelu byla experimentálně použita naše implementace tzv. Fuzzy ILP klasifikátoru.
Constraint satisfaction for inductive logic programming
Chovanec, Andrej ; Barták, Roman (vedoucí práce) ; Železný, Filip (oponent)
Induktívne logické programovanie je oblasť zaoberajúca sa vývojom klauzálnych teórií z pozorovaní, kde pre danú množinu príkladov a dodatočnú informáciu hľadáme hypotézu, ktorá pokrýva všetky pozitívne príklady a nepokrýva žiadny negatívny príklad. V tejto práci nadväzujeme na prácu skúmajúcu konzistenciu šablón a rozširujeme ju k riešeniu všobecnej konzistencie. Navrhujeme algoritmus DeMeR skladajúci sa z troch fáz, ktorý rozdelí pôvodný problém na viacero menších častí, následne ich vyrieši a tieto riešenia spojí do kompletného riešenia a nakoniec transformuje výsledok do kompaktnej výslednej hypotézy. Ďalej sa zameriavame na techniku hľadania riešení dekomponovaných častí a navrhujeme generuj-a-testuj metódu založenú na pravdepodobnostnom prístupe s pamäťou výpočtu. V práci analyzujeme jednotlivé komponenty navrhnutých algoritmov a demonštrujeme ich vplyv na dobu výpočtu a štruktúru výslednej hypotézy. Ukazuje sa, že prvá fáza algoritmu sa koncentruje na rýchle vyriešenie problému za cenu dlhšej štruktúry hypotézy, kým zvyšné dve fázy skracujú výsledok do prijateľnej podoby. Nakoniec naše výsledky porovnávame s existujúcimi systémami na príkladoch hľadania spoločných štruktúr v náhodných grafoch a ukazujeme, že nami prezentované techniky prekonávajú uvedené systémy.
Learning for Classical Planning
Chrpa, Lukáš ; Barták, Roman (vedoucí práce) ; Železný, Filip (oponent) ; Berka, Petr (oponent)
This thesis is mainly about classical planning for artificial intelligence (AI). In planning, we deal with searching for a sequence of actions that changes the environment from a given initial state to a goal state. Planning problems in general are ones of the hardest problems not only in the area of AI, but in the whole computer science. Even though classical planning problems do not consider many aspects from the real world, their complexity reaches EXPSPACE-completeness. Nevertheless, there exist many planning systems (not only for classical planning) that were developed in the past, mainly thanks to the International Planning Competitions (IPC). Despite the current planning systems are very advanced, we have to boost these systems with additional knowledge provided by learning. In this thesis, we focused on developing learning techniques which produce additional knowledge from the training plans and transform it back into planning do mains and problems. We do not have to modify the planners. The contribution of this thesis is included in three areas. First, we provided theoretical background for plan analysis by investigating action dependencies or independencies. Second, we provided a method for generating macro-operators and removing unnecessary primitive operators. Experimental evaluation of this...
Methods for class prediction with high-dimensional gene expression data
Šilhavá, Jana ; Matula, Petr (oponent) ; Železný, Filip (oponent) ; Smrž, Pavel (vedoucí práce)
This thesis deals with class prediction with high-dimensional gene expression data. During the last decade, an increasing amount of genomic data has become available. Combining gene expression data with other data can be useful in clinical management, where it can improve the prediction of disease prognosis. The main part of this thesis is aimed at combining gene expression data with clinical data. We use logistic regression models that can be built through various regularized techniques. Generalized linear models enable us to combine models with different structure of data. It is shown that such a combination may yield more accurate predictions than those obtained based on the use of gene expression or clinical data alone. Suggested approaches are not computationally intensive. Evaluations are performed with simulated data sets in different settings and then with real benchmark data sets. The work also characterizes an additional predictive value of microarrays. The thesis includes a comparison of selected features of gene expression classifiers built up in five different breast cancer data sets. Finally, a feature selection that combines gene expression data with gene ontology information is proposed.

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.