Národní úložiště šedé literatury Nalezeno 38 záznamů.  1 - 10dalšíkonec  přejít na záznam: Hledání trvalo 0.00 vteřin. 
Domain Specific Languages in Functional Programming
Rapavá, Jana ; Hric, Jan (vedoucí práce) ; Pilát, Martin (oponent)
V umělé inteligenci, obzvláště v programování s omezujícími podmínkami, je populární navrhovat rozličné modelovací jazyky, které umožňují řešit problémy na úrovni domény a prostřednictvím doménových abstrakcí. Při tom je často užitečné používat techniky známé z oblasti doménově specifických jazyků. Funkcionální programovací jazyky poskytují nové prostředky pro návrh těchto jazyků, obzvláště v případě vnořených doménově specifických jazyků. Tato práce zkoumá výhody a nevýhody využití technik funkcionálního programování při návrhu a implementaci vnořeného doménově specifického jazyka pro problémy prohledávání stavových prostorů.
Adversarial Examples in Machine Learning
Kocián, Matěj ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
Hluboké neuronové sítě v poslední době dosahují vysoké úspěšnosti na mnoha úlohách, zejména klasifikaci obrázků. Tyto modely jsou ovšem snadno ovlivni- telné lehce pozměněnými vstupy zvanými matoucí vzory. Matoucí vzory mohou značně snižovat úspěšnost a tak ohrozit systémy, které modely strojového učení využívají. V této práci přinášíme rešerši literatury o matoucích vzorech. Dále navrhujeme nové obrany proti matoucím vzorům: síť kombinující RBF jednotky s konvolucí, kterou testujeme na datové sadě MNIST a která má lepší úspěšnost než CNN trénovaná pomocí matoucích vzorů, a diskretizaci vstupního prostoru, kterou testujeme na datových sadách MNIST a ImageNet a dosahujeme slibných výsledků. Na závěr zkoumáme možnost generování matoucích vzorů bez přístupu ke vstupu, který má být pozměněn. 1
Strojové učení pro credit scoring
Myazina, Elena ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
Název práce: Strojové učení pro credit scoring Autor: Elena Myazina Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí: Mgr. Martin Pilát, Ph.D, Katedra teoretické informatiky a matematické logiky Abstract: Banky používají techniku nazývanou credit scoring pro ohodnocení svých klientů, kteří žádají o půjčku. Cílem je předpovědět, jestli klient půjčku splatí, nebo ne. Tradičně se pro credit scoring používají matematické metody jako např. logistická regrese. V této práci se na problém podíváme z hlediska strojového učení. Testujeme řadu metod strojového učení (např. neuronové sítě,support vector machines, náhodné lesy a další) a vyhodnocujeme jejich vhodnost pro credit scoring na třech veřejně dostupných množinách dat. Klíčová slova: strojové učení, credit scoring, logistická regrese, neuronové sítě, náhodné lesy.
Genetic Approach To Hypercube Problems
Kuboň, David ; Gregor, Petr (vedoucí práce) ; Pilát, Martin (oponent)
Objektem zájmu práce jsou hyperkrychle. V její první části je představíme coby zajímavou třídu grafů, která má praktické použití v sítích a distribuovaném počítání. Kvůli jejich rozličným aplikacím tato práce popisuje problémy z teorie grafů týkající se hyperkrychlí, jako jsou hledání objížďkových spannerů, minimalizace největšího stuně vrcholu a hledání vícero hranově disjunktních spannerů. Práce též podává přehled aktuálních výsledků pro některé hyperkrychové problémy a navrhuje jejich řešení pomoc genetického algoritmu. Genetický algoritmus je navržem, implementován a jeho výkon je vyhodnocen. Závěrem je, že aplikace genetického algoritmu na některý hyperkrychlový problém je možná, ale nikoli nejeefektivnější metoda.
Obecná umělá inteligence pro hraní her
Klůj, Jan ; Pilát, Martin (vedoucí práce) ; Moudřík, Josef (oponent)
Hraní her je v současné době poměrně zajímavý problém na poli umělé inteli- gence. V diplomové práci se zabýváme tvorbou obecné umělé inteligence, která je schopna hrát vybrané jednoduché počítačové hry na základě informací, které jsou dostupné i lidskému hráči. Našimi vybranými hrami jsou 2048, Mario, zá- vodní simulátor TORCS a Alhambra. Všechny informace, které umělá inteligence získává, jsou poskytovány hrami pomocí rozhraní a žádný model tak nevyužívá obrazový vizuální vstup. Využíváme evolučních přístupů jako jsou evoluční algo- ritmy, evoluční strategie CMA a diferenciální evoluce, aplikované na různé typy neuronových sítí. Dále se zabýváme hlubokým zpětnovazebním učením. Tyto pří- stupy testujeme a jejich výsledky porovnáváme. 1
Aktivní učení pro klasifikaci obrázků
Lorenzová, Kateřina ; Pilát, Martin (vedoucí práce) ; Křen, Tomáš (oponent)
Práce se zabývá aplikací vybraných metod ke klasifikaci obrazu, inspi- rovanou chováním lidského oka. Využívá k analýze metody, které nevyžadují kom- pletní informaci ze zkoumaného obrazu. Místo toho používá samostatné agenty, kteří se po obraze pohybují a sami si vybírají, kterou další část obrazu potřebují vidět k upřesnění výsledku. Chování agentů je řízeno neuronovou sítí, pro tento úkol naučenou. K učení sítě byl použit evoluční algoritmus. Použitá data pocházejí z databáze obrázků ručně psaných čísel MNIST (2011). Tato sbírka obsahuje také oddělenou testovací mno- žinu dat, na které je úspěšnost agentů následně testována.
Obrana význačných míst ve hře Star Craft: Brood War
Šťavík, Petr ; Gemrot, Jakub (vedoucí práce) ; Pilát, Martin (oponent)
Navzdory úsilí v oblasti umělé inteligence pro strategické hry v reálném čase, se počí- tačově řízeným agentům (botům) stále nedaří porazit ani průměrné lidské hráče. Jedním z klíčů k úspěchu v těchto hrách je schopnost využít různé taktické body na mapě, jako jsou ku příkladu chokepoints - úzké průchody spojující otevřené oblasti ve hře. Pomocí genetických algoritmů a simulátoru SparCraft pro hru StarCraft: Brood War, popisujeme metodu generování výhodných rozložení jednotek pro obranu chokepointů. Naše exper- imenty ukazují, že rozložení vytvořené pomocí naší metody mají výrazně lepší výsledky než náhodná rozložení a jsou srovnatelné s rozloženími, která jsou tradičně používána lidskými hráči. Naše metoda může být také použita k vytvoření databáze výhodných rozložení jednotek, jež by mohla být začleněna do stávajících botů pro hru StarCraft: Brood War. 1
Heterogenní ostrovní modely
Balcar, Štěpán ; Pilát, Martin (vedoucí práce) ; Matzner, Filip (oponent)
Práce se zabývá heterogenními ostrovními modely. Navrhuje a implementuje nový ostrovní model na základě poznatků o homogenních modelech v oblasti evolučních algoritmů. Model umožňuje dynamické přeplánovávání obecných výpočetních metod. Práce experimentálně porovnává výsledky homogenních a heterogenních modelů.
Evolutionary Algorithms for Data Transformation
Švec, Ondřej ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
V této práci jsme navrhli novou metodu pro supervised redukci dimenze, která se učí váhy neuronové sítě pomocí evolučního algoritmu CMA-ES, optimalizujícího úspěšnost k-NN klasifikátoru. Když v dané neuronové síti nejsou použity žádné aktivační funkce, tak algoritmus vykonává lineární transformaci. Tato lineární transformace také může být použita uvnitř Mahalanobisovy vzdálenosti a tím pádem naše metoda může být také považována za distance metric learning algo- ritmus. Při použití aktivačních funkcí v neuronových sítích se algoritmus může taky naučit nelineární transformace. V naší práci se zaměřujeme na redukci do nízko-dimenzionálních prostorů, které jsou užitečné pro vizualizaci dat. Ex- perimentálně také ukazujeme, že ve srovnání s dalšími technikami pro redukci dimenze naše výsledné projekce fungují lépe a také ukazujeme, že naše vizual- izace díky lokalitě k-NN klasifikátoru poskytují lepší interpretaci dat a rozlišení mezi různými třídami v datech. 1

Národní úložiště šedé literatury : Nalezeno 38 záznamů.   1 - 10dalšíkonec  přejít na záznam:
Viz též: podobná jména autorů
1 Pilát, Matěj
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.