Národní úložiště šedé literatury Nalezeno 143 záznamů.  předchozí11 - 20dalšíkonec  přejít na záznam: Hledání trvalo 0.00 vteřin. 
A Universal Approach for Anomaly Detection in Log Files
Tomala, Radovan ; Koupil, Pavel (vedoucí práce) ; Pilát, Martin (oponent)
Cieľom tejto práce je predstavenie riešenia univerzálnej detekcie anomálií v logov- ých súboroch. Práca najskôr uvádza teoretické základy a prehľad existujúcich prístupov. Vybrané prístupy sú následne vyhodnotené na rôznych dátových sadách. Na základe výsledkov porovnania je navrhnutý prototyp riešenia. Prototyp pozostáva z modulov, ktoré sú zodpovedné za detekovanie rôznych druhov anomálií. Konkrétne ide o detek- ciu anomálnych sekvencií, anomálneho výskytu logovaných parametrov a detekciu zmeny topológie siete. Detektor anomálnych sekvencií integruje vybrané existujúce prístupy a detektor parametrov používa vlastnú metódu založenú na parsovaní logu a vektoroch počtu parametrov. Detektor zmeny topológie siete implementuje nový algoritmus za- ložený na minimálnej kostre grafu. Práca ďalej navrhuje vylepšený parser logov, ktorý je schopný parsovať logy z rôznych systémov s rozličnými formátmi. 1
Multi-objective Neural Architecture Search
Pivodová, Renáta ; Pilát, Martin (vedoucí práce) ; Kadlecová, Gabriela (oponent)
Vícekriteriální hledání architektur neuronových sítí Bc. Renáta Pivodová Abstrakt Hledání architektur neuronových sítí je slibnou metodou automatizovaného ná- vrhu architektur neuronových sítí, která šetří práci a čas vývojářů. V reálném světě nalezneme mnoho problémů, jejichž řešení je náročné i pomocí technik hledání architektur neuronových sítí. Spousta z těchto problémů vyžaduje řešení s optimalizací více kritérií, jako je jeho kvalita, doba hledání etc. V této práci představujeme dvě metody rozšiřující CoDeepNEAT, známý algoritmus hledání architektur neuronových sítí. Lamarckistický CoDeepNEAT je CoDeepNEAT obohacený o implementaci dědění neuronových vah, která byla inspirována Lamarckovou teorií evoluce. Vícekriteriální CoDeepNEAT provádí vícekriteriální minimalizaci dvou vybraných vlastností neuronových sítí - míry chybovosti a počtu operací s plovoucí desetinnou čárkou. Díky algoritmu NSGA-II, který je použit jako základ pro naši metodu, hledá Vícekriteriální CoDeepNEAT dobře fungující a rychlé sítě. Metody jsou vyhodnoceny na datasetech MNIST a CIFAR-10. 1
Předpovídání vývoje cen kryptoměn
Harmanec, Nik ; Kopecký, Michal (vedoucí práce) ; Pilát, Martin (oponent)
Práce se zabývá způsobem jak aplikovat roky zaběhlé a vyzkoušené strategie a indikátory z burzovních akciových trhů na nový a dynamicky se rozvíjející trh kryptoměn. Cílem práce je navrhnout a implementovat framework na testování indikátorů. Jednotlivé indikátory otestovat na historických datech kryptoměn. Výsledky vyhodnotit a navrhnout vhodnou obchodovací strategii k maximalizaci zisku. Z výsledků pozorování vytvořit bota pro obchodování na burze.
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.
Předpovídání výsledků zápasů v šipkách
Konečný, Tomáš ; Pilát, Martin (vedoucí práce) ; Mrázová, Iveta (oponent)
Tato práce se zabývá různými přístupy k modelování zápasů v šipkách. Porovnáváme ratingové modely, modely založené na statistikách a model, který na stavy hry a ná- hodné přechody mezi nimi nahlíží jako na Markovův řetězec. Součástí práce navrhujeme způsob výpočtu statistik reflektující jak dlouhodobou, tak krátkodobou formu soutěží- cích. S využitím detailního datasetu obsahujícího jednotlivé šipky také odvodíme, jak na základě stavu utkání volit cíl. Modely vyhodnocujeme dle standardních kritérií klasifikač- ních úloh, navíc však s využitím kurzů sázkových kanceláří odhadujeme ziskovost, pokud by dle predikcí modelů probíhalo sázení v praxi. 1
Optimalizace rozmístění stanic pro nabíjení elektrických vozidel
Beinhauer, David ; Pilát, Martin (vedoucí práce) ; Fink, Jiří (oponent)
S rostoucím počtem elektrických vozidel roste i potřeba vytvořit vhod- nou infrastrukturu pro jejich nabíjení. K řešení tohoto problému může vý- razně napomoci použití vhodných optimalizačních metod. V práci jsme im- plementovali zjednodušený simulátor dopravy sloužící jako vhodný nástroj pro jejich analýzu. Analyzovali jsme také optimalizační metody tzv. hlado- vým algoritmem, genetickým algoritmem a algoritmem k-means. Na základě experimentů vykazovala prokazatelně lepší výsledky optimalizace za využití genetického algoritmu a hladová optimalizace. K-means optimalizace nevy- kazovala známky lepších výsledků oproti náhodnému přístupu.
Detection of protein-ligand binding sites using graph neural networks
Gamouh, Hamza ; Hoksza, David (vedoucí práce) ; Pilát, Martin (oponent)
Funkce většiny biologických systémů je realizována interakcí proteinů s jinými bi- ologickými molekulami. Vazba protein-ligand je jedním z nejdůležitějších druhů interakcí, které, pokud jsou dobře prostudovány, mohou odhalit mnoho skrytých kauzálních vzorců za biologickými funkcemi a mohou přispět k rychlému rozvo- ji výzkumu léčiv. Detekce vazebných míst protein-ligand je jedním z aspektů interakcí protein-ligand, kde je cílem vyvinout výpočetní metody, které mo- hou používat ligand i strukturu proteinu, případně spolu s jeho sekvenčními údaji, k predikci oblastí proteinu, které se mohou vázat na potenciál. ligandy. Významný nárůst databází proteinových struktur, jako je Protein Data Bank (PDB) a sekvenčních databází, jako je Universal Protein Resource (UniProt), vedl k vývoji různých přístupů strojového učení a hlubokého učení, které využívají toto obrovské množství biologických data k řešení tohoto úkolu. V této práci zk- oumáme metodu hlubokého učení založenou na nedávné modelové architektuře zvané Graph Convolutional Networks (GCN), která kombinuje tradiční architek- turu konvolučních neuronových sítí (CNN) a novější architekturu Graph Neu- ral Network (GNN), která byla úspěšní...
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
Neural Network Visualization
Ciklamíniová, Martina ; Pilát, Martin (vedoucí práce) ; Pešková, Klára (oponent)
Neuronové siete dosahujú nesmierne výsledky v mnohých oblastiach, avšak stále nie je úplne jasné ako a prečo prídu k danému výsledku. Obzvlášť pri spracovávaní vizuál- nych dát sú konvolučné neurónové siete neobyčajne úspešné. Konvolučné neurónové siete sú štruktúrované tak aby pracovali s dvojdimenzionálnym vstupným obrázkom a vo vý- sledku udržujú priestorové vzťahy toho, čo sa model naučí. Hlavným cieľom tejto práce je vytvoriť nástroj, ktorý umožní vizualizáciu vnútorných aktivácií konvolučnej neurono- vej siete. Aplikujeme rôzne techniky vizualizácie pre porovnanie rozličných vstupov, aby sme poskytli analýzu správania konvolučnej siete. Vstupy siete môžu byť čiastočne skryté alebo takzvané mätúce vzory. 1
Rotation-equivariant convolutional neural network for design of visual prosthetic stimulation protocol
Picek, Martin ; Antolík, Ján (vedoucí práce) ; Pilát, Martin (oponent)
Sousední neurony v primární zrakové kůře (V1), první kortikální oblasti zpracovávající vizuální informace, jsou selektivní vůči podnětům prezentovaným v sousedních polohách zorného pole se specifickou hranovou orientací. Tvoří tak tzv. retinotopické a orientační mapy V1. Vzhledem k absenci zařízení pro kortikální stimulaci s vysokým rozlišením za- tím obnovení zraku pomocí protetických implantátů ve V1 nevyužilo výhody orientačních map. Brzy však lze očekávat dostupnost kortikálních implantátů s dostatečně vysokým rozlišením stimulace, aby bylo možné zacílit na samostatné orientační sloupce. Vzhledem k tomu, že v kortexu jsou zakódovány i jiné stimulační prvky, jako je barva, velikost nebo fáze, ale nelze je spolehlivě zapojit ani stimulací s vysokým ro- zlišením, klademe si v této práci otázku, jak dobře lze vizuální stimuly zakódovat ve V1 pokud je známa pouze orientace a preference polohy. K vyřešení této otázky navrhu- jeme hlubokou neuronovou síť (DNN) poskytující deskriptor nervové aktivity pro jak- oukoli cílovou kortikální pozici a danou orientační preferenci. Toho je dosaženo použitím rotačně-ekvivariantní konvoluční neuronové sítě (reCNN) s poslední vrstvou, která má pouze jeden kanál pro každou orientaci, vracející požadovaný trojrozměrný tenzor hodnot. Specializovaný výstup odhaduje polohy...

Národní úložiště šedé literatury : Nalezeno 143 záznamů.   předchozí11 - 20dalšíkonec  přejít na záznam:
Viz též: podobná jména autorů
2 Pilát, Matěj
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.