|
|
Vizuální detekce malých předmětů pomocí dostupných nástrojů v prostředí MATLAB
Sladký, Jiří ; Dobossy, Barnabás (oponent) ; Appel, Martin (vedoucí práce)
Tato práce zkoumá možnosti detekce malých objektů na obrázcích pomocí metody YOLO, algoritmu hlubokého učení dostupného v programu MATLAB. V práci byl navržen a natréno-ván detektor, jež dokáže detekovat hospodářská zvířata při pohledu shora. Vytvořen byl nástroj, který provede detekce s pomocí představeného modelu i na obrázcích o vysokém rozlišení a následně spočítá přítomné objekty. Naprogramován byl generátor syntetických obrázků, který výrazně pomohl s natrénováním tohoto modelu. Byly realizovány různé experimenty, jež vedly k nalezení hranic metody YOLO a ověřily přínos představených vylepšení.
|
|
|
Bayesovské a neuronové sítě
Hložek, Bohuslav ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce představuje Bayesovskou neuronovou síť na základě modelu Occamovy břitvy. První část práce shrnuje základní poznatky o neuronových sítích a Bayesovo pravidlo. Je vysvětlen princip Occamova ostří a detaily Bayesovské neuronové sítě. Rovněž je představen reálný příklad použití k predikci sesuvu půdy. V druhé části práce je představeno, jak vytvořit Bayesovskou neuronovou sít v jazyce Python. Je ukázán demonstrační program, který na experimentálních datech ukazuje vlastnosti Bayesovských neuronových sítí.
|
|
|
Tool for deep neural network design
Hladík, Jakub ; Harár, Pavol (oponent) ; Uher, Václav (vedoucí práce)
The aim of this thesis was to create a program for visualization of artificial neural networks. The first part contains definition of artificial neural networks, comparison with biological neural networks and comparison with processors used in personal computers. Also contains brief description of their function and advantages/disadvantages of artificial neural networks. The second part contains brief explanation of deep learning. There are described methods and models used for learning. The third part contains introduction to Caffe framework and summary of the most frequently occuring layers in neural networks, that are created by using Caffe. Next part contains brief analysis of created program as well as detailed description of classes, that program contains.
|
|
|
Využití prostředků inverzní analýzy spolehlivosti při pravděpodobnostním návrhu vybraných parametrů konstrukcí
Lipowczan, Martin ; Novák, Drahomír (oponent) ; Lehký, David (vedoucí práce)
Podstatou předložené bakalářské práce je aplikace metodiky a prostředků inverzní analýzy při pravděpodobnostním návrhu vybraných parametrů konstrukcí. Prvním krokem bylo seznámení se s pravděpodobnostním návrhem a posouzením konstrukcí, následně pak s vlastní metodikou inverzní analýzy založené na umělých neuronových sítí. Po nastudování daného tématu bylo možné přejít k samotné problematice. Zprvu pro uvedení teorie do praxe se začalo na lehčích příkladech. Jednalo se o matematické funkce a jeden praktičtější příklad. U těchto příkladů byly předem známé výsledky. Tato skutečnost vedla k snadné kontrole dosažených hodnot. Postupným zdokonalováním v užívání softwarových nástrojů a to zejména programu DLNNET bylo možné přejít na příklady z praxe. Zvoleny byly příklady z předmětů nižších ročníků bakalářského studia na Fakultě stavební VUT Brno. Prvním z nich byl návrh železobetonové desky, u které byly hledanými návrhovými parametry výška desky a plocha vyztužení. Druhým příkladem byl návrh montážního ocelového šroubového spoje u diagonály vazníku. Zde se provedlo dimenzování průměru šroubu a jeho počet.
|
|
|
Interconnection of Restricted Boltzmann machine method with statistical physics and its implementation in the processing of spectroscopic data
Vrábel, Jakub ; Hrdlička, Aleš (oponent) ; Pořízka, Pavel (vedoucí práce)
In this work, connections between statistical physics and machine learning are studied with emphasis on the most basic principles and their implications. Also, the general properties of spectroscopic data are revealed and used beneficially for improving automatized processing of the data. In the beginning, the partition function of a Boltzmann distribution is derived and used to study the Ising model utilizing the mean field theory approach. Later, the equivalence between the Ising model and the Hopfield network (machine learning model) is shown, along with an introduction for machine learning in general. At the end of a theoretical part, Restricted Boltzmann Machine (RBM) is obtained from the Hopfield network. Suitability of applying RBM to the processing of spectroscopic data is discussed and revealed by utilization of RBM to dimension reduction of the data. Results are compared to the standard tool (Principal Component Analysis), with discussing possible further improvements.
|
|
|
Vyhodnocování elektrochemických signálů neuronovou sítí
Šílený, Jan ; Kuchta, Radek (oponent) ; Hubálek, Jaromír (vedoucí práce)
Automatizovaná elektrochemická měření jsou zdrojem velkého množství dat určených k následnému vyhodnocování. Tato práce se zabývá problémem zpracování, klasifikace a vyhodnocování elektrochemických signálů pomocí neuronových sítí. Kvůli vysoké dimenzionalitě analyzovaných dat je v této práci využita autoasociativní neuronová síť (AANN). Tento typ sítě provádí redukci dimenzionality filtrováním analyzovaných dat a extrahuje relativně nízký počet význačných parametrů na výstupu svého krčku. Pomocí extrahovaných parametrů je možné provést klasifikaci, vyhodnocení a násleně modelovat analyzovaný experiment díky rekonstrukční části naučené sítě. Dále se tato práce zabývá implementací dopředných neuronových sítí v jazyku OpenCL.
|
|
|
Klasifikace srdečních cyklů z více svodového EKG pomocí metody hlavních komponent
Vlček, Milan ; Vítek, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Cílem této diplomové práce je seznámit se s metodou hlavních komponent. Dále se zaměřit na její využití při zpracování srdečních cyklů. Tato metoda umožňuje zredukovat množství dat beze ztráty užitečných informaci, což je důvodem proč se v posledních letech často používá pro zpracování dat a pro jejich následnou klasifikaci, kterou se tato práce také zabývá. Data byla získána ústavem biomedicínského inženýrství na FEKT VUT v Brně. Jejich následná analýza byla provedena v programu Matlab.
|
|
|
Využití umělé inteligence na kapitálových trzích
Lajczyk, Pavel ; Budík, Jan (oponent) ; Dostál, Petr (vedoucí práce)
Tato práce se zabývá problematikou umělých neuronových sítí a možnostmi jejich využití při obchodování na kapitálových trzích. Dále je v práci popsán návrh a implementace nástroje založeného na umělých neuronových sítích, který slouží k predikci vývoje cen akcií. Tento nástroj je vytvořen prostřednictvím výpočetního prostředí MATLAB. Implementovaný nástroj je pak podroben experimentům a obchodní simulaci. Na závěr jsou diskutovány dosažené výsledky
|
|
| |
|
|
Sleep scoring using artificial neural networks
Vašíčková, Zuzana ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
The main objective of the thesis is to create an artificial neural network for sleep-staging. Firstly, information about sleep and sleep stages is summarized. However, more profound overview of signal processing methods and methods of classification is found in next chapters. After summarizing the theoretical knowledge necessary to carry out practical part of thesis, signal features were extracted according to the theoretical proposal and using statistical analysis, convenient features were used as in input for artificial neural network, able to classify the sleep data into sleep stages after the learning stage.
|
host ::
RSS.