|
|
Integrating Artificial Intelligence into Fast-Moving Consumer Goods
Bagi, Juraj ; Hříbek, David (oponent) ; Rozman, Jaroslav (vedoucí práce)
Accurate sales forecasting is pivotal for operational efficiency in the Fast-Moving Consumer Goods (FMCG) sector. This thesis explores the application of Long Short-Term Memory (LSTM) models, a specialized form of recurrent neural networks, to enhance the precision of sales predictions. Unlike traditional statistical methods, LSTMs are adept at capturing temporal dependencies within sales data, potentially offering more accurate forecasts. By applying LSTM models to historical sales data from a food industry company, this research demonstrates improvements over conventional forecasting techniques. The findings suggest that LSTMs can significantly help FMCG companies in optimizing inventory management and demand planning, thereby contributing valuable insights into artificial intelligence applications in supply chain management. These results emphasize the practical implications for FMCG stakeholders to embrace advanced artificial intelligence technologies to remain competitive in a dynamic market environment.
|
|
|
Využití neuronových sítí pro odhad dynamických veličin
Dufek, Martin ; Repka, Martin (oponent) ; Zháňal, Lubor (vedoucí práce)
Cílem diplomové práce je ověřit použitelnost neuronových sítí k predikci dynamických veličin automobilu. Některé dynamické veličiny vozidel jsou těžko měřitelné, nebo je nutné je dopočítávat, přičemž měření takových veličin může vyjít velmi draze. Pokud by však neuronové sítě dokázaly hodnoty predikovat s přijatelnou chybou, jednalo by se o dostupnější a ekonomičtější metodu. Ověření bylo provedeno vytvořením dvou rekurentních neuronových sítí pro odhad veličin úhlu směrové úchylky a podélných sil na všech kolech automobilu. V práci jsou popsány jednotlivé kroky vytvoření sítí od zpracování vstupních dat až po vyhodnocení predikcí sítí. Výsledky ukazují, že lze využít neuronové sítě k určení dynamických veličin a pro některé účely jimi nahradit drahá měření. V závěru jsou formulovány důležité poznatky získané během vytváření neuronových sítí, které mohou pomoci s vytvářením nových sítí pro odhad dynamických veličin automobilu a je zde nastíněno další možné vylepšení vytvořených neuronových sítí.
|
|
|
Model-Based Reinforcement Learning for POMDPs
Smíšková, Lucie ; Andriushchenko, Roman (oponent) ; Češka, Milan (vedoucí práce)
Partially observable Markov decision processes allow us to model systems containing state uncertainty. They are useful when we have only partial information about the states ( so called observations). The aim of this thesis was to develop a method combining inductive synthesis and reinforcement learning to develop the best possible finite-state controller. This method was then implemented as an extension to the tool PAYNT.
|
|
|
Využití umělé inteligence k monitorování stavu obráběcího stroje
Popara, Nikola ; Bražina, Jakub (oponent) ; Kovář, Jiří (vedoucí práce)
Práca je zameraná na monitorovanie najviac namáhaných častí obrábacieho stroja. Použitá metóda umelej inteligencie je rekurentná neurónová sieť a jej modifikácie. Nakoľko dáta zo senzorov mali sekvenčný charakter, bolo vhodné zvoliť práve rekurentnú neuóonovú sieť. Práca sa zaoberá riešením troch úloh. Prvá úloha bola zameraná na stanovenie predpokladaného opotrebenia frézy, na základe nepriamej metódy využívajúcej neurónovú sieť. Ďalšia úloha sa zameriava na detekciu poruchy ložíska na základe dát získaných z akcelerometra. Treťou úlohou bolo predikovať dobu do poškodenia monitorovaného ložiska.
|
|
|
Rozpoznávání ručně psaného textu pomocí konvolučních sítí
Sladký, Jan ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním ručně psaného textu za pomoci konvolučních neuronových sítí. Ze současných metod byl vybrán model sítě skládající se z konvolučních a rekurentních sítí s Connectionist Temporal Classification. Do takovéhoto modelu byl následně implementován prvek Vertical Attention Module, který vybírá relevantní informace v každém sloupci odpovídající textu na obrázku. Tento modul byl následně pomocí experimentů porovnáván s dalšími možnostmi vertikální agregace mezi konvoluční a rekurentní sítí. Experimenty probíhaly na datové sadě obsahující přes 80 000 řádků textu z českých dopisů 20. století. Výsledky ukazují, že Vertical Attention Module dosahuje téměř vždy nejlepších výsledků na všech použitých typech konvolučních sítí. Výsledná síť dosáhla nejlepšího výsledku při chybě 8,9% na znak. Přínosem této práce je neuronová síť s nově zavedeným prvkem, která dokáže rozpoznávat řádky textu.
|
|
|
Odezírání ze rtů pomocí hlubokých neuronových sítí
Kadleček, Josef ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá současnými metodami pro přepis řeči na text a odezírání ze rtů za pomoci neuronových sítí. Následně se zabývá podobností architektur neuronových sítí operujících nad zvukem a videem při rozpoznávání řeči a porovnává dostupné audiovizuální datové sady. Výsledkem práce je sada experimentů porovnávající různé zásahy do modelu a jejich dopad na výsledky. Dále je součástí implementace systému pro přepis řeči (CER: 12.6 %) a pro odezírání ze rtů (CER: 57,7 %). Architektury obou systémů jsou založeny na extrakci příznaků pomocí konvolučních vrstev. Za nimi následují rekurentní vrstvy LSTM, další řada konvolučních vrstev a hodnotící funkce CTC.
|
|
|
Využití neuronových sítí pro predikaci síťového provozu
Pavela, Radek ; Mačák, Jaromír (oponent) ; Kacálek, Jan (vedoucí práce)
V této práci jsou prodiskutovány statické vlastnosti síťového provozu. Dále jsou rozebrány možnosti jeho predikce, se zaměřením na neuronové sítě. Konkrétně tedy hlavně rekurentní neuronové sítě. Trénovací data byla stažena z volně přístupného odkazu. Jde o zachycené pakety provozu LAN sítě z roku 2001. Nejsou nejaktuálnější, ale lze pomocí nich dosáhnout cílů práce. Vstupní data bylo třeba zpracovat do přijatelné podoby. Ve vývojovém prostředí Visual studio 2005 byl vytvořen program na agregaci intenzit těchto dat. Sloučení se jevilo nejvhodnější po intervalech 100 ms. Tím bylo dosaženo vstupního vektoru, který byl rozdělen podle potřeby sítí na trénovací cást a testovací část. Jednotlivé typy sítí pracovaly se stejnými vstupními daty, čímž se dosahovalo objektivnějších výsledků. Z praktického hlediska bylo třeba ověření dvou principů. Principu trénování a principu generalizace. První ze jmenovaných vyžadoval přikládání trénovacích vzorů a ověřování trénování pomocí gradientu a střední chyby. Druhý představoval přiložení neznámých vzorů na neuronovou síť. Sledována byla reakce sítě na tato data. Lze říci, že nejlepším modelem se jevila obecná neuronová síť (LRN). Proto bylo řešení rozvíjeno v tomto směru, kdy následovalo hledání vhodné varianty této rekurentní sítě a její otpimální konfigurace. Nalezenou variantou je topologie 10-10-1. Bylo využíváno programu Matlab 7.6, s nástavbou Neural network toolbox 6. Výsledky jsou zpracovány formou grafů a závěrečným zhodnocením. Všechny úspěšné modely a topologie sítí jsou na přiloženém CD. Avšak Neural network toolbox vykazuje určité problémy při jejich importu. Při tvoření této práce nebylo funkce importu sítě prakticky využíváno. Síť lze importovat, ale většinou se jeví jako nenatrénovaná. Neúspěšné modely sítí nejsou v práci prezentovány, neboť by došlo ke zhoršení přehlednosti a orientace.
|
|
|
Machine Learning Strategies in Electronic Trading
Huf, Petr ; Kolář, Martin (oponent) ; Černocký, Jan (vedoucí práce)
Successful stock trading is a dream of many people. Eletronic trading is an interesting branch of this business. The trading strategy runs on the computer all the time without any human intervention. This way of trading provides a lot of free time and high earnings. This thesis is aimed at usage of neural networks in building this type of trading strategy. An already existing recurrent neural network was used as a basis and was modified for the needs of trading. The result is a neural network which predicts future market moves. The trading strategy based on this neural network is able to perform a successful trading.
|
|
|
Adaptace neuronových sítí na cílového pisatele
Sekula, Jakub ; Hradiš, Michal (oponent) ; Kohút, Jan (vedoucí práce)
Tato bakalářská práce se zabývá adaptací neuronových sítí na pisatele s cílem zlepšení rozpoznání ručně psaného písma tohoto pisatele. Metoda, kterou používám, je rychlá, vyžaduje malou trénovací množinu dat a využívá regularizaci, která se snaží udržet distribuci regularizovaných vah adaptační sítě podobnou té z předadaptační sítě. Tuto metodu jsem testoval nad datasetem tištěných textů IMPACT a datasetem ručně psaných textů. Nad datasetem ručně psaných textů se mi na dvou denících podařilo snížit chybovost z počátečních 10,82 % a 1,82 % na chybovost 8,48 % a 0,77 % v rámci malého počtu adaptačních iterací a připoužití malého množství trénovacích řádků. Na datasetu IMPACT se mi podařilo snížit chybovost nad polské historické písmo z počáteční chybovosti 32,88 % na 5,30 %.
|
|
|
Využití veřejných obchodních informací pro automatický trading
Gráca, Martin ; Plchot, Oldřich (oponent) ; Černocký, Jan (vedoucí práce)
V dnešní době moderních technologií a výkonných počítačů již klasické obchodní modely přestávají fungovat. Pro úspěšné obchodování na burze, generující konzistentní zisky, je proto vhodné využít nových možností a technologií. Cílem této práce je právě díky těmto novým technologiím vytvořit fungující automatický obchodní systém. Tato práce využívá veřejně dostupných dat uložených v databázi Americké Komise pro cenné papíry (SEC), historické ceny akcii a rekurentní neuronové sítě k vytvoření takového modelu. Výsledný obchodní systém je schopný úspěšně obchodovat a vykazovat zisk.
|
host ::
RSS.