|
|
Multi-agent trading environment for training robust reinforcement learning agents
Mikuláš, Pavel ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
Tato práce přináší rozsáhlou studii aplikace zpětnovazebního učení v oblasti algo- ritmického obchodování. Práce se zaměřuje zejména na to, jak modely zpětnovazebního učení generalizují, jak z pohledu velikosti trénovací množiny, tak z pohledu jejich ná- sledného přenesení na reálné finanční trhy. Za tímto cílem vytváříme simulační prostředí zohledňující důležité faktory, které ovlivňují výsledky obchodní strategie při reálném ob- chodování. V našich experimentech používáme také rozšíření algoritmu DQN, známé jako R2D2, které dosahuje velice slibných výsledků. Pokud je nám známo, je tato práce první, která algoritmus R2D2 aplikuje na oblast algorimického obchodování. Algoritmy natré- nované ve vytvořeném simulačním prostředí následně vyhodnocujeme oproti obvykle uží- vaným postupům algoritmického obchodování, abychom demonstrovali sílu modelů zpět- novazebního učení. Dále ukazujeme, jak zvyšování transakčních nákladů zvyšuje nároč- nost trénování vybraných modelů a že algoritmus R2D2 svými výsledky překonává běžné postupy algoritmického obchodování i ostatní modely zpětnovazebního učení v úloze al- goritmického obchodování. 1
|
|
|
Group Detection in Crowds Using Spatiotemporal Data
Říha, David ; Hartman, David (vedoucí práce) ; Neruda, Roman (oponent)
Tato diplomová práce se zabývá detekcí skupin v davech a představuje algoritmus obohacený o sociologické poznatky o obvyklých formacích skupin mezi chodci. Navrhovaný algoritmus prokazuje srovnatelnou úspěšnost s existujícími řešeními - Time-sequence DBSCAN a Agglomerative Hierarchical Clustering, s využitím datasetu DIAMOR pro testování a porovnání. Kromě toho představujeme validační nástroj, který potenciálně dokáže zdokonalit výsledky existujících algoritmů na základě kritéria pro tvar skupiny, což vede k zlepšení přesnosti identifikace skupin. Klíčová slova: detekce skupin; clustering; analýza tvaru skupin; chování chodců;
|
|
|
Evolution strategies for policy optimization in transformers
Lorenc, Matyáš ; Neruda, Roman (vedoucí práce) ; Pilát, Martin (oponent)
Cílem práce je prozkoumat schopnost evolučních strategií trénovat architektury trans- formerů v prostředí zpětnovazebního učení. Provedeme experimenty s využitím vysoce paralelizovatelného algoritmu OpenAI-ES a dvou jeho variant využívajících konceptů no- velty a quality-diversity prohledávání k trénování architektury Decision Transformeru v prostředí MuJoCo Humanoida a otestujeme tak schopnost těchto black-box optimalizač- ních technik trénovat i takto relativně velké (ve srovnání s dříve testovanými) a kom- plikované modely (využívajících self-attention vedle klasických plně propojených vrstev). Testované algoritmy se v našich experimentech ukázaly obecně jako schopné dosahovat silných výsledků a dokázaly vyvinout vysoce výkonné agenty - a to jak z náhodně ini- cializovaného modelu, tak z předtrénovaného modelu. 1
|
|
|
Epidemiologické modely s agenty
Neruda, Roman
Tento příspěvek je jemným úvodem do problematiky agentních modelů a jejich aplikací v epidemiologickém modelování. Představíme agentní modely jednak z hlediska informatiky, jednak jako nástroj modelování v jiných vědních disciplínách. V příkladové studii ukážeme model s agenty a sociální sítí jejich kontaktů, který slouží pro simulaci vývoje epidemie a vlivu protiepidemických opatření.
|
|
|
Predikce výrobních časů v průmyslu pomocí metod strojového učení
Novotný, Tomáš ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
S rozvojem automatizace plánování v průmyslu se zvyšují požadavky na~správný odhad parametrů jednotlivých výrobních operací, především pak jejich časová náročnost. Práce se zabývá různými metodami, jak odhad časové náročnosti nových operací provádět automaticky z dříve provedených operací. První část práce se zaměřuje na standardní regresní algoritmy a jejich úpravu dle vhodnosti pro tento problém. Druhá, hlavní část práce, se soustředí na řešení s využitím hlubokých neuronových sítí, které jsou schopny zpracovat i nestrukturovaná data jako například textový popis operací. Závěrečné výsledky ukazují, že zejména pro zcela nové typy operací dosahuje hluboké učení dobré úrovně predikce. Především ve výrazně dynamických prostředích lze tedy doporučit jeho praktické využití pro plánování nových výrobků.
|
|
|
Image Reassembling Algorithms
Yamalutdinova, Yuliya ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
Puzzle je dobře známá logická hra, která je známá již několik století. Kromě zábavy má však schopnost skládat obrázky z dílků i praktické využití a může být užitečná napří- klad při rekonstrukci roztrhaných nebo rozstříhaných dokumentů či rozbitých předmětů v archeologii. Většina navržených řešení slouží k rekonstrukci obrázků rozdělených na čtvercové dílky. V této práci my navrhujeme naše řešení pro nové typy puzzle se zají- mavějšími tvary dílků, jako jsou obdélníky stejných a různých velikostí a trojúhelníky. Přesnost našich řešení je na stejné úrovni jako přesnost řešení pro rekonstrukci obrázků ze čtvercových dílků. Naše řešiče byly navíc na rozdíl od ostatních testovány na obrázcích s textem a také na barevných a černobílých fotografiích. 1
|
|
|
Utilization of brain connectivity in classification and regression tasks in brain data
Řežábková, Jana ; Hartman, David (vedoucí práce) ; Neruda, Roman (oponent)
Tato práce zkoumá, jak postupné zvyšování množství strukturálních in- formací zahrnutých do modelů strojového učení ovlivňuje úspěšnost pre- dikce schizofrenie na základě matic funkční konektivity získaných pomocí res- ting state funkční magnetické rezonance. Byly prozkoumány tři strukturální nastavení - žádná struktura prostřednictvím tradičních modelů strojového učení, modelování uzlů prostřednictvím nově navržené architektury založené na feed forward vrstvě, která umožňuje kombinovat sousedy pro každý uzel zvlášť, a modelování uzlů i hran pomocí grafových neuronových sítí. Ačkoli výsledky na dostupném datasetu se 190 záznamy neodhalily nejlepší strategii, byly identifikovány dva poznatky (a) je lepší vytvořit řídké matice výběrem top k sousedů každého uzlu, než ponecháním top n % nejvyšších hodnot, a (b) je výhodné modelovat korespondenci uzlů napříč vzorky. Všechny expe- rimenty byly vyhodnoceny pomocí vhodné validační strategie, vnořené cross validace, což se typicky v recenzované literatuře nedařilo.
|
|
|
Deep Learning for Symbolic Regression
Vastl, Martin ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
Symbolická regrese je úloha hledání matematické rovnice z pozorovaných dat. His- toricky bylo genetické programování hlavním nástrojem k řešení symbolické regrese, avšak v nedávné době se objevily nové přistupy založené na neuronových sítích. V této práci navrhujeme přístup založený na Transformeru, který předpovidá rovnici jako celek, bez toho aniž by musel hledat koeficienty v závěrečném kroku. Také používáme gradientní lokální prohledávání k tomu, abychom dále zlepšili koeficienty u hledané matematické rovnice. Naše řešení pak porovnáváme s předchozími přístupy a ukazujeme, že je výkon- nostně porovnatelné, přičmež je zároveň v průměru rychlejší při predikci než předchozí přístupy. 1
|
|
|
Kvaziparalelní optimalizace simulovaných systemů pomocí genetických algoritmů
Konopa, Michal ; Kindler, Evžen (vedoucí práce) ; Neruda, Roman (oponent)
Cílem této práce je v jazyku SIMULA sestavit třídy umožňující modelování sezení expertů, kteří mají své vlastní (počáteční) představy o tom, která konfigurace parametrů zkoumaného systému je optimální, a všichni tento systém (každý se svou variantou) simulují, avšak během simulace si vyměňují informace o chování svých modelů a podle toho se učí a své vlastní konfigurace modifikují. Učení expertů na základě informací, získaných od kolegů, se provede technikou genetických algoritmů. Výsledný optimalizátor bude vyzkoušen na konkrétních příkladech, jak abstraktních (čerpaných z čisté matematiky), tak konkrétních (např. optimalizace daného projektu). Práce navazuje na disertaci RNDr. Jiřího Weinbergera, CSc., který v 80.letech vytvořil podobný typ optimalizátoru, kdy ovšem nebylo nic konkrétního známo o genetických algoritmech, a tak "učení" expertů hledajících optimum bylo modelováno technikami, které se sice v praxi ukázaly jako velmi úspěšné, dnes by však zasluhovaly být nahrazeny (nebo - co do efektivnosti své práce - alespoň porovnány) s metodou genetických algoritmů. Ta se sice při optimalizaci systémů pomocí algoritmicky řízených pokusů s jejich modely úspěšně používá, avšak nikdy s průběžným uplatněním při běhu těchto modelů. Paralelní běh více simulačních modelů na jednom monoprocesorovém počítači...
|
|
|
Agent optimization by means of genetic programming
Šmíd, Jakub ; Neruda, Roman (vedoucí práce) ; Kazík, Ondřej (oponent)
Tato práce se zabývá problémem výběru nejvhodnějšího agenta pro novou, agenty doposud neviděnou úlohu z oblasti dobývání znalostí. Je navržena metrika na prostoru úloh z oblasti dobývání znalostí a na základě této metriky je vybráno několik nejbližších úloh. Tento výběr je předložen jako vstup programu, který byl vyvinut pomocí genetického programování a který odhaduje výsledky agentů na nové úloze jak z pohledu chybovosti, tak z pohledu časové náročnosti. Je implementován JADE agent poskytující rozhraní umožňující získat výsledky odhadu ostatním agentům v reálném čase.
|
host ::
RSS.