|
|
Detection of Anxiety from Brain Electroencephalogram (EEG) Signals
Marko, Július ; Shakil, Sadia (oponent) ; Malik, Aamir Saeed (vedoucí práce)
Anxiety affects human abilities, behavior, productivity, and quality of life. Anxiety keeps us safe as part of a system that helps to control and avert danger. However, this safety system can go wrong. When such impairment emerges, it can lead to depression and even suicide. This work aims to develop a novel method of anxiety detection from brain signals, in particular electroencephalography (EEG), a non-invasive and cost-effective screening method. The proposed method incorporates microstates, which were not previously utilized for anxiety detection. Additional features in the time and frequency domain are extracted. Finally, a machine learning classifier is trained and evaluated on these features, outperforming other existing methods.
|
|
|
Machine Learning-based Prediction of Mutational Effects on Protein Immunogenicity
Lacko, Dávid ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
The immune system is a vital part in human survival since it is responsible for protecting the body against pathogens.This ability stems from molecular mechanisms for the recognition of non-human proteins and molecules. While this system is critical for survival, it hampers the use of non-human proteins as biotherapeutics, many of which have already demonstrated significant potential in healthcare. To exploit this potential, it is vital that the immune system does not attack and inactivate the proteins. Therefore, it is often necessary to engineer these proteins to reduce the immunogenicity and avoid early detection by the immune system. To this end, scientists introduce mutations to a protein of interest to lower the response. Large-scale experimental validation of such mutations is typically unfeasible due to the enormous size of combinatorial space to explore. With the help of machine learning tools, this process can be accelerated and total development cost significantly reduced by scoring the mutations in silico first and experimentally validating only a subset of short-listed viable designs. However, the field of machine-learning-based tools for predicting such mutational effects is yet to be explored. To address this challenge, we present a novel dataset focused on the effect of mutations on epitopes - protein regions that trigger the immune system response. The newly collected dataset contains epitopes, their single and double-point mutations, and the effect of these mutations on imunogenicity as labels. By leveraging this novel dataset and recent advances in large language models for protein engineering, we train a set of machine-learning-based models that are able to classify mutations based on their effect on immunogenicity, showing a significant improvement in performance over the baselines. Additionally, we investigate and present a way to separate the dataset into different train-test splits to minimize data leakage between these splits. This leads to a more robust real-world performance evaluation of the models trained on this data.
|
|
|
Phishing Webpage Detection using Machine Learning Methods
Polóni, Peter ; Poliakov, Daniel (oponent) ; Hranický, Radek (vedoucí práce)
Phishing web pages are a very dangerous threat, which means that successful and reliable detection of these pages is essential. I detect these threats by utilizing a machine learning based approach. This approach is effective and can detect even threats it has never encountered. As credible sources of URLs, I used sources like OpenPhish and PhishTank. I gathered the HTML and JavaScript code of web pages from the trusted URLs by utilizing a data-gathering program that I created. Using the feature vector composed of 82 numerical features, I created four classifiers. Then, I tuned and experimentally tested the performance of these classifiers. The best-performing model is the XGBoost classifier, which achieved a balanced accuracy score of 97.03% and a false positive rate of 2.22% while making predictions on previously unseen data. Results show that this detection approach can identify phishing web pages even in a non-training environment, which I verified by implementing a phishing-detecting web extension for the Chrome browser. Implementing this extension is beyond the scope of the assignment of this thesis.
|
|
|
Klasifikace onemocnění COVID-19 na základě analýzy rentgenových snímků plic
Šteflík, Dominik ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Táto diplomová práca sa zaoberá vývojom a hodnotením algoritmov umelej inteligencie na klasifikáciu ochorenia COVID-19 z röntgenových snímok hrudníka. Vzhľadom na závažnosť a vplyv pandémie COVID-19 na svetovú populáciu sa schopnosť rýchlej a presnej diagnostiky ochorení z röntgenových snímok stala kritickou. Táto štúdia zhŕňa súčasné pokroky v oblasti spracovania obrazu a hĺbkového učenia s cieľom vyhodnotiť použitie viacerých moderných klasifikačných metód v praxi. Pomocou datasetu získaného z českého lekárskeho prostredia sa tieto metódy analyzujú a overujú za účelom preskúmania ich efektivity a presnosti v reálnych situáciách. Metódy vybrané pre túto štúdiu, COVID-Net, DarkCovidNet a CoroNet, boli zvolené vzhľadom na ich dostupnosť, rozšírené používanie a preukázanú účinnosť v tejto oblasti. Jadrom práce je návrh konvolučnej neurónovej siete prispôsobenej na extrakciu a učenie sa z nepatrných znakov prítomných na röntgenových snímkach svedčiacich o prítomnosti vírusu COVID-19. Táto snaha čelila značným výzvam, vyplývajúcim z rôznorodých akvizičných parametrov röntgenových snímok, ktoré môžu podstatne ovplyvniť diagnostickú presnosť. Jednotnosť týchto parametrov je rozhodujúca pre spoľahlivú analýzu, čo zdôrazňuje význam dôkladných techník predbežného spracovania. V dôsledku toho sa zaviedli pokročilé postupy normalizácie, úpravy kontrastu a rozšírenia s cieľom štandardizovať vstupné údaje. Samotná konvolučná sieť využíva sériu konvolučných, združovacích a plne prepojených vrstiev, ktoré sú optimalizované na zvládnutie odlišností prítomných v lekárskych obrazových dátach. Architektúra siete obsahuje mechanizmus pozornosti implementovaný prostredníctvom bloku stlačenia a excitácie na dynamické nastavenie významnosti rôznych kanálov vo vstupnom obraze. Integráciou týchto prvkov je model siete vycvičený tak, aby sa zameral na podstatné rysy v rámci röntgenových snímok, čo mu umožňuje efektívne rozoznávať nepatrné indikátory ochorenia COVID-19. Okrem iného sa v tejto práci pojednáva o~potenciáli integrácie takýchto diagnostických nástrojov riadených umelou inteligenciou do existujúcich infraštruktúr zdravotnej starostlivosti s cieľom zlepšiť včasnú detekciu a liečbu ochorenia COVID-19. Zistenia naznačujú, že využitie umelej inteligencie v lekárskom zobrazovaní môže výrazne pomôcť pri riešení a kontrole epidémií ochorení, čo v konečnom dôsledku prispieva k lepším zdravotníckym výsledkom.
|
|
|
Behaviour-Based Identification of Network Devices
Polák, Michael Adam ; Holkovič, Martin (oponent) ; Polčák, Libor (vedoucí práce)
This thesis deals with the topic of identifying devices based on their behaviour. With the increasing number of devices on the network, it is becoming more and more important to be able to identify these devices based on their behaviour, due to the increased security risks. General networking concepts and multiple methods that have been used in the past to identify devices are discussed throughout the work. Subsequently, machine learning algorithms and their advantages and disadvantages are introduced. Finally, this thesis tests two traditional machine learning algorithms and proposes two new approaches to network device identification. The resulting final algorithm achieves the accuracy of 89% on a real life data-set with over 10,000 devices using a set of only eight features.
|
|
|
Machine Comprehension Using Commonsense Knowledge
Daniš, Tomáš ; Landini, Federico Nicolás (oponent) ; Fajčík, Martin (vedoucí práce)
In this thesis, the commonsense reasoning ability of modern neural systems is explored. The goal is to provide insight into the current state of research in this area and identify promising research directions. A state-of-the-art question-answering model has been implemented and experimented with in various scenarios. Unlike in older approaches, the model achieved comparable results with best available models for the target task without using any task-specific architecture. Furthermore, unintended statistical biases are discovered in a popular commonsense reasoning dataset which allow models to compute the correct answer even when it does not have sufficient information to do so. Based on these findings, recommendations and possible future research areas are suggested.
|
|
|
Evoluční návrh klasifikátoru obrazů
Koči, Martin ; Bidlo, Michal (oponent) ; Drahošová, Michaela (vedoucí práce)
Táto práca sa zaoberá evolučným návrhom klasifikátora obrazov pomocou genetického programovania, konkrétne kartézskeho genetického programovania. Práca popisuje teoretické základy strojového učenia, evolučných algoritmov a genetického programovania. Súčasťou práce je popísaný návrh programu a jeho implementácia. Ďalej sú vykonané experimenty na dvoch riešených úlohách pre klasifikáciu ručne písaných číslic a klasifikáciu obrázkov kociek pomocou, ktorých sa dá určiť miera demencie pri Parkinsonovej chorobe. Najlepšie navrhnuté riešenie pre čísla má AUC 0.95 a pre kocky 0.86. Navrhnuté riešenia sú porovnané s inými metódami, konkrétne konvolučnými neurónovými sieťami (CNN) a metódou podporných vektorov (SVM). Výsledná AUC pre klasifikáciu číslic, je pre obe CNN a aj SVM 0.99 pre kocky mala CNN výslednú AUC 0.81 a SVM 0.69. Kocky sú následne porovnané z existujúcim riešením, pri ktorom bola výsledná AUC 0.70, takže na základe výsledkov experimentov je vidieť zlepšenie pri použitej metóde v tejto práci.
|
|
|
Generování kódu z textového popisu funkcionality
Kačur, Ján ; Ondřej, Karel (oponent) ; Smrž, Pavel (vedoucí práce)
Cieľom tejto práce bolo navrhnúť a implementovať systém na generovanie kódu z textového popisu funkcionality. Boli vypracované celkovo 2 systémy, prvý z nich slúžil ako kontrolný prototyp, a druhý ako reálny výstup práce. Zameral som sa na použitie nepredtrénovaných modelov s menšími rozmermi. Obidva systémy používali ako jadro model typu Transformer. Druhý systém využil na rozdiel od prvého syntaktický rozklad kódu aj textových popisov. Dáta pre obidva systémy pochádzali z projektu CodeSearchNet, cieľový jazyk pre generovanie bol jazyk Python. Druhý systém dosiahol lepšie číselné výsledky, ako prvý, s presnosťou predpovede slov 85%, zatiaľ čo prvý len 60%. Systém dokázal doplniť správny kód na dokončenie funkcie, s väčšou časovou odozvou. V tejto práci sa venujem takmer výlučne druhému systému.
|
|
|
Machine learning models for quantifying phenotypic signatures of cancer cells based on transcriptomic and epigenomic data
Koban, Martin ; PhD, Florian Halbritter, (oponent) ; Mehnen, Lars (vedoucí práce)
Since the advent of techniques capable of rapid acquisition of genomic data, it is one of the key challenges for researchers to interpret the results of such experiments in meaningful biological terms. In this work, we aim to exploit knowledge hidden in well-characterised transcriptomic and epigenomic data from publicly available sources to aid this interpretation. An integrated resource of chromatin accessibility data (from DNase-seq and ATAC-seq experiments) was created and pre-processed for downstream analyses, complemented by collections of public gene expression (RNA-seq) profiles. These datasets were used for training machine learning classifiers with two primary purposes. Firstly, for augmenting sample annotations by predicting undefined metadata labels in the training datasets. Secondly, for annotation of poorly characterised, unseen data to examine generalisation ability of the constructed models. We demonstrated that biologically relevant information was captured by the trained classifiers while technical artefacts were minimised. Thus, we validated that the proposed supervised machine learning approach can contribute to clarifying contents of cryptic transcriptomic and epigenomic datasets, particularly from the field of cancer research.
|
|
|
Hluboké neuronové sítě pro posilované učení v realtimové strategii
Barilla, Marco ; Dobeš, Petr (oponent) ; Kolář, Martin (vedoucí práce)
Strojové učenie je jedna z najrýchlejšie napredujúcich odvetví dnešnej vedy. Je to podoblasť umelej inteligencie ktorá sa zaoberá problémom, ako pomocou počítačov riešiť komplexné moderné problémy. Vo vývoji tohto odvetvia hrajú dôležitú úlohu hry, pretože predstavujú optimálne prostredie na testovanie nových prístupov a ich porovnávanie so schopnosťami človeka. Jedna z hier ktoré sú v tejto oblasti stredobodom pozronosti je Starcraft 2, vďaka svojej širokej hráčskej základni a svojej komplexnosti. Praktickým cieľom tejto práce je vytvoriť advantage actor ctiric agenta, ktorý ktorý bude schopný operovať v prostredí tejto hry.
|
host ::
RSS.