|
|
Data mining in social network analysis
Zvirinský, Peter ; Mrázová, Iveta (vedoucí práce) ; Drotár, Peter (oponent) ; Vidnerová, Petra (oponent)
Název práce: Dob˝vání znalostí p i anal˝ze sociálních sítí Autor: Peter Zvirinsk˝ Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí diserta ní práce: doc. RNDr. Iveta Mrázová CSc., Katedra teoretické informatiky a matematické logiky Abstrakt: Za posledn˝ch nieko ko rokov zaznamenala globálna ekonomika v˝- razn˝ nárast celkového dlhu, ktor˝ v roku 2022 dosiahol 238 % svetového HDP, ako uvádza Medzinárodn˝ menov˝ fond. Táto rastúca zadlûenos vyvoláva obavy o stabilitu finan n˝ch systémov a blahobyt jednotlivcov a inötitúcií. Zdôraz uje tieû potrebu ú inn˝ch stratégií na pochopenie zloûit˝ch vz ahov medzi dlûníkmi a verite mi a na zmiernenie súvisiacich rizík. V reakcii na tieto v˝zvy navrhujeme nov˝ prístup zaloûen˝ na metódach dob˝vania znalostí aplikovan˝ch na kom- plexnú anal˝zu vzorcov formovania dlhu medzi jednotlivcami a spolo nos ami so zameraním na prevaûne nevyuûité údaje z Insolven ného registra (IR) eskej republiky. Naöím cie om je vyuûi metódy anal˝zy sociálnych sietí na modelovanie a pocho- penie interakcií medzi subjektmi zú ast ujúcimi sa insolven n˝ch konaní, kon- krétne dlûníkmi, verite mi a insolven n˝mi správcami. Okrem toho zameriavame náö v˝skum na dynamické sociálne siete, ktoré zachytávajú ötrukturálne zmeny v dátach v priebehu asu. Náö prístup umoû uje h bkové...
|
|
|
Knowledge Extraction with Deep Belief Networks
Bronec, Jan ; Mrázová, Iveta (vedoucí práce) ; Červíčková, Věra (oponent)
Hluboké neuronové sítě typu DBN jsou tvořeny sérií navzájem po vrstvách propojených omezených Boltzmannových strojů (RBM). Zvětšování DBN sítě typicky vede ke zlepšení její přesnosti, podobně jako v případě mnoha dalších typů neuronových sítí. Toto zvětšování ovšem bývá za cenu zvýšené výpočetní složitosti a vyšších paměťových nároků. Pro použití velké neuronové sítě v mobilním zařízení je často nutné její velikost snížit. My jsme se pro snížení velikosti sítí DBN zaměřili na techniku zvanou prořezávání. Cílem prořezávání je odstranit značnou část redundantních vah sítě a přitom zachovat její přesnost. Pro DBN sítě jsme vytipovali několik algoritmů prořezávání a jejich vlastnosti jsme porovnali na různých datech. Dále jsme studovali vlastnosti takzvaných konfidenčních pravidel extrahovaných z natrénované DBN sítě. Použitím těchto pravidel získáme srozumitelnou interpretaci znalostí naučené sítě a jednodušší alternativu k původní síti. 1
|
|
|
Social Networks: Analysis of Evolution and Sentiment
Fanči, Samuel ; Mrázová, Iveta (vedoucí práce) ; Vomlelová, Marta (oponent)
V dnešnej dobe sú sociálne siete neoddeliteľnou súčasťou nášho života. Ich analýza nám pomáha lepšie porozumieť rôznym spoločenským javom, identifikovať vplyvných jednotlivcov v spoločnosti a modelovať budúci vývoj komunít. Sociálne siete v reálnom svete majú často "power-law" distribúciu stupňov vrcholov. Náš výskum sme zamerali na skúmanie komunít dvoch známych spoločností: GameStop a Enron. Pomocou údajov získaných z Redditu a Twitteru sme natrénovali modely strojového učenia, ako sú Sup- port Vector Machines alebo neurónové siete, na analýzu sentimentu komunity GameStop. Výsledky potvrdzujú očakávaný pozitívny sentiment po náraste ceny akcií GameStop v roku 2021. Príslušné sociálne siete sme vytvorili na základe dostupných datasetov a identifikovali sme významných jednotlivcov podľa vybraných mier centrality. Pre miery PageRank a HITS Authority score sa vysoko umiestnili verejné osobnosti ako Ryan Cohen pre Ga- meStop a Jeff Skilling v prípade Enronu. Na druhej strane, pre "Betweenness" centralitu a HITS Hub score sa do popredia dostali menší influenceri z komunity GameStop a vyššie postavení manažéri z Enronu. Štatistická analýza pomocou testu "goodness-of-fit" pre "power-law" distribúciu bola vykonaná pre obe siete. Výsledky naznačujú vierohodnú zhodu iba pre distribúciu vstupných stupňov vrcholov...
|
|
|
Detection of Influential Individuals, Communities, and Link Prediction in Social Networks
König, Matúš ; Mrázová, Iveta (vedoucí práce) ; Hric, Jan (oponent)
Metody z oblasti analýzy sociálních sítí poskytují celou řadu nástrojů pro lepší pochopení struktury studovaných sítí. Těžiště práce spočívá ve stu- diu problematiky detekce komunit v sociálních sítích. V textu představíme šest z nejznámějších algoritmů pro detekci komunit a jejich hybridní vari- anty, které kombinují hrubé klastrovací techniky s metodami pro vytváření menších a jemnějších komunit. Text pak vysvětluje i podstatu metrik pou- žívaných pro kvantifikaci vlastností detekovaných komunit. Různou velikost řešených problémů zohledňují použité datasety, konkrétně Zachary karate klub a dataset Enron. Výsledky provedených experimentů jsou základem pro posouzení vlastností analyzovaných algoritmů a vyvození závěrů a doporučení pro budoucí využití metod analýzy sociálních sítí v praxi. Důležitým aspek- tem práce je přirozeně i určení adekvátního počtu komunit ve zkoumaných datech, protože ten je parametrem mnoha algoritmů pro detekci komunit. Ze stejného důvodu je třeba ověřit, zda může i nehierarchický shlukovací algo- ritmus vytvářet hierarchii dílčích komunit. K provedení všech zmiňovaných experimentů jsme použili systém CGAT - Config-based Graph Analysis Tool pro detekci komunit, který byl navržen a implementován v rámci řešené práce a je její součástí.
|
|
|
Knowledge representation in deep neural networks
Georgiev, Georgi Stoyanov ; Mrázová, Iveta (vedoucí práce) ; Pešková, Klára (oponent)
Při řešení mnohých úloh z oblasti klasifikace obrázků a detekce objektů překonávají konvoluční neuronové sítě (CNN sítě) lidské schopnosti. CNN sítě vynikají i při vytváření titulků, segmentaci obrázků a při extrakci příznaků. Modely CNN sítí jsou mimořádně přesné při rozpoznávání obrázků a extrahované znalosti dobře zobecňují, nicméně analýza jejich rozhodovacího procesu zůstává problematická. Vhodný prostředek k analýze interní reprezentace znalostí v CNN sítích představují takzvané "heat maps" (teplotní mapy) a jejich varianty, například typu "saliency maps" (charakteristické mapy), SmoothGrad a Grad-CAM. Techniky t-SNE, UMAP a ivis používané pro redukci dimenzionality pak podporují snadnou vizualizaci vícerozměrných příznaků vytvořených v jednotlivých kon- volučních vrstvách CNN sítí. Na základě výsledků získaných při vyhodnocování vlastností CNN modelů, jsme na- vrhli dva nové algoritmy pro prořezávání předučených CNN sítí: "Iterative Top Cut" a "Iterative Feature Top Cut". Oba algoritmy postupně odstraňují koncové vrstvy CNN sítí, dokud není aktivováno ukončovací kritérium algoritmu. Ukončovací kritéria berou v úvahu dosahovanou přesnost CNN sítě a kvalitu vytvořené interní reprezentace znalostí. Vynikajících výsledků dosahuje zejména metoda "Iterative Top Cut", která je schopná zredukovat velikost...
|
|
|
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
|
|
|
Graph neural networks and their application to social network analysis
Behún, Marek ; Mrázová, Iveta (vedoucí práce) ; Vomlelová, Marta (oponent)
Současný výzkum v oblasti grafových neuronových sítí umožňuje vyu- žití technik hlubokého učení i pro data s grafovou strukturou. Tato práce se věnuje aplikaci grafových neuronových sítí na problémy analýzy sociálních sítí. Vytipovali jsme a navzájem porovnali modely hlubokého učení vhodné pro predikci ohodnocení v recenzích hotelů, tříd hotelů a jejich skóre na základě dat stahovaných z webových stránek portálu Tripadvisor. Výsledné modely považujeme za dostatečně přesné, a tedy i vhodné např. pro doporu- čovací systémy. Podstatnou část práce však představuje i popis teoretických základů grafových neuronových sítí a vizualizačních technik pro analýzu vy- soce rozměrných dat. Implementovaný software je k dispozici pro další vývoj a experimenty v dané oblasti.
|
|
|
Approximation of functions continuous on compact sets by layered neural networks
Fojtík, Vít ; Hakl, František (vedoucí práce) ; Mrázová, Iveta (oponent)
I přes rozsáhlost současného výzkumu aplikací neuronových sítí není stále prozkou- máno mnoho oblastí jejich matematického pozadí. Kvůli nutnosti porozumění možnostem a omezením neuronových sítí je zkoumání jejich expresivity velmi důležité. Přesto toto téma není zdaleka vyřešené ani pro mělké sítě. V práci sestrojíme horní mez na počet neuronů nezbytných pro aproximaci funkce spojité na kompaktu neuronovou sítí s danou přesností. Postupujeme rozdělením kompaktu na malé polytopy, aproximací charakteris- tické funkce každého z nich a složením těchto do aproximace cílové funkce. Tato metoda, která je inspirována konkrétním důkazem Stoneovy-Weierstrassovy věty, je obecnější než předchozí odhady v tomto směru s ohledem na aproximaci spojitých funkcí. Také je plně konstruktivní. 1
|
|
|
Associative recall of damaged data
Lukešová, Jana ; Štanclová, Jana (vedoucí práce) ; Mrázová, Iveta (oponent)
V tejto práci sa zameriame na asociatívne pamäte ako jeden druh neurónových sietí a porovnáme ich jednotlivé modely vzhľadom na problematiku rozpoznávania neúplných priestorových vzorov. Uvažujeme tri typy asociatívnych pamätí: Hopeldovu sieť známu aj ako štandardná asociatívna pamäť, hierarchickú asociatívnu pamäť a kaskádovú asociatívnu pamäť. Denujeme porovnávacie kritériá a otestujeme jednotlivé modely na testovacích dátach podľa týchto kritérií. Zhodnotíme a porovnáme modely na základe výsledkov testov.
|
|
|
Data a jejich klastrování
Pilmann, Jindřich ; Mrázová, Iveta (vedoucí práce) ; Kukačka, Marek (oponent)
Tato diplomová práce popisuje známé metody klastrování dat a zkoumá jejich možnou aplikaci na data z oblasti sociálních sítí. Z tohoto důvodu jsme zrekapitulovali, jak pomocí dat reálné objekty popisujeme a jaké využíváme techniky proto, abychom určili jejich vzájemnou podobnost. Poté jsme zopakovali známé klastrovací metody a možnosti validace jejich výsledků. Následně jsme popsali termín sociálních sítí a specifika dat pocházejících z této oblasti. Na základě toho jsme navrhli přístup, jak v sociálních sítí klastrovat a ten otestovali. Tento přístup jsme aplikovali na data z oblasti mezinírodního obchodu v roce 2008. Výsledky těchto experimentů jsme zhodnotili a shrnuli. Na závěr celkově hodnotíme práci a navrhujeme možnosti dalšího výzkumu v této oblasti.
|
host ::
RSS.