|
|
Using of neural network for detection of heart rhythm disturbances from ECG data and accelerometer signal
Aleksandrenko, Borys ; Ředina, Richard (referee) ; Bulková, Veronika (advisor)
This bachelor's thesis addresses the issue of detecting heart rhythm disorders from EKG and accelerometer signals using machine learning. First, an analysis of the possibilities for detecting heart rhythm disorders from these signals was conducted through a theoretical review. In the next part, a methodology was proposed for detecting two rhythm disorders: inappropriate sinus tachycardia and chronotropic incompetence. The methodology was further supplemented with adaptive filtering of EKG signals using signals from the accelerometer. In the third part of the thesis, a database of samples was created for training machine learning models proposed in the methodology. The next section included the description and implementation of the models. In the fifth part of the thesis, an application for detecting heart rhythm disorders using the proposed methodology was developed in the Python programming language. Finally, a discussion and evaluation of the results were conducted.
|
|
|
Evolutionary Design of Neural Networks
Kastner, Jan ; Hurta, Martin (referee) ; Sekanina, Lukáš (advisor)
The thesis deals with the implementation of a problem-solving method for the automated design of convolutional neural networks (CNN) architectures. The optimization of two fundamental and often conflicting characteristics, the number of parameters and the quality of CNN classification, is performed using a multi-criteria optimization genetic algorithm (NSGA-II). To encode this problem, the Cartesian genetic programming (CGP) technique is used, which enables the wide range of CNN architectures to be represented, and at the same time, the searched area can be appropriately limited by parameterization. Experiments were performed on the MNIST dataset to understand the effect of population size on the quality of the resulting solution. It is also evident from the results of the experiments that the quality of the architectures found can compete with already established models. This is therefore an alternative approach that does not require human intervention compared to manual design.
|
|
|
Person Recognition Based on Anthropometric Proportions
Šimún, Samuel ; Semerád, Lukáš (referee) ; Goldmann, Tomáš (advisor)
This bachelor thesis focuses on the potential use of biometrics and machine learning. It discusses in detail anthropometric characteristics, their evolution and the potential of using these characteristics for person identification. It analyzes the potential uses of machine learning and what technologies exist for extracting a person's pose from an image for outputting the pose in the second dimension and in the third dimension. Also, the thesis describes and implements specific methods that use anthropometric features for person identification.
|
|
|
Aplikace posilovaného učení v řízení Smart Home
Biel, Gabriel ; Zbořil, František (referee) ; Janoušek, Vladimír (advisor)
Táto práca skúma, ako môže strojové učenie zlepšiť riadenie inteligentných domácností s dôrazom na optimalizáciu riadenia teploty a zvýšenie energetickej účinnosti. Konkrétne sa porovnávajú dva pokročilé algoritmy posilňovaného učenia, Deep Q-Learning (DQL) a Proximal Policy Optimization (PPO). Tieto modely sú testované v simulovanom prostredí, ktoré napodobňuje reálne podmienky, aby sa zhodnotila ich schopnosť prispôsobiť sa správaniam užívateľov a zmenám v prostredí. Ukázalo sa, že model PPO je obzvlášť účinný vďaka svojej stabilite a schopnosti predpovedať návrat obyvateľov. Tento výskum ponúka cenné poznatky o praktických aplikáciách AI technológií v inteligentných domácnostiach.
|
|
|
Using artificial intelligence to automate trading
Čermák, František ; Hůlka, Tomáš (referee) ; Matoušek, Radomil (advisor)
This thesis deals with the use of artificial intelligence for automating stock trading. The main objective was to investigate current technologies applied in algorithmic trading and then to design and develop an automated trading system using artificial intelligence. The work focuses on various aspects of algorithmic trading, including high frequency trading, cloud solutions, machine learning, blockchain and smart contracts. It also explores the applications of AI in trading, such as predictive analytics and natural language processing, and discusses the ethical and regulatory challenges associated with this technology. The design and development of an automated trading system is described in detail, including system architecture, choice of programming languages and tools, and implementation of trading algorithms. The results show that the use of artificial intelligence can significantly increase the efficiency and accuracy of stock trading, but technological and ethical risks must be considered. This thesis makes a significant contribution to research in the field of algorithmic trading and provides a foundation for further research in optimizing trading algorithms and integrating new technologies.
|
|
| |
|
|
A modern approach to measuring antibiotic susceptibility of microbial cultures using machine learning
Lepík, Jakub ; Burget, Radim (referee) ; Čičatka, Michal (advisor)
The bachelor's thesis focuses on antibiotic susceptibility testing (AST), specifically enhancing and automating the assessment of the disk diffusion method using machine learning and object detection architectures. Thanks to the TensorFlow development platform and extensive dataset, on which custom detection models like EfficientDet were trained, processing a wide range of input data is enabled. This brings the possibility of using mobile devices alongside traditional laboratory equipment when evaluating this method. By employing additional image processing techniques and the OpenCV library, a custom algorithm for measuring the size of inhibitory zones was developed, which, along with the detection models, is integrated within the application module developed by Bruker Daltonics GmbH & Co. KG. This module, created using the ASP.NET platform, is a precise and valuable tool for assisting personnel in microbiological laboratories.
|
|
|
Measuring the thickness of contamination layers in scanning electron microscopy using image processing
Macek, Matěj ; Munzar, Milan (referee) ; Čadík, Martin (advisor)
Motivací pro vznik této práce byl cíl společnosti Thermo Fisher Scientific vyvinout metodu měření tloušťky kontaminačních vrstev na snímcích ze skenovací elektronové mikroskopie (SEM) pomocí pokročilých technik zpracování obrazu. Hlavním cílem je vytvořit automatizované metody pro kvantifikaci kontaminace v obrazech, které nepříznivě ovlivňují zobrazování ve výzkumu v oblasti materiálových věd, pomocí technik zpracování obrazu. V této studii shromažďujeme soubor dat snímků s kontaminací a ručně anotujeme masky pro každý snímek. Tyto anotace budou sloužit k doladění a vyhodnocení účinnosti námi navrhovaných metod. Použitím kombinace algoritmů detekce hran a modelů strojového učení, konkrétně vyladěné sítě DeepLabv3, tato práce zvyšuje přesnost a účinnost detekce kontaminace. Analyzátor kontaminace založený na detekci hran (EDCA) využívá tradiční metody zpracování obrazu, zatímco model DeepLabv3 zavádí přístup strojového učení, který robustně zvládá různorodé obrazové podmínky. Srovnávací analýzy prokazují účinnost těchto metod při poskytování spolehlivých, škálovatelných a podrobných měření kontaminačních vrstev, což významně přispívá k rozvoji oboru materiálových věd.
|
|
|
Simulation of Biological Processes Using Asynchronous Cellular Automata and Machine Learning
Kališ, Vojtěch ; Bidlo, Michal (referee) ; Fritz, Karel (advisor)
Tato práce zkoumá spojení asynchronních celulárních automatů a technik strojového učení pro simulaci komplexních biologických procesů. Jejím hlavním zaměřením je předvést vrozený potenciál výpočetního rámce konstruovaného spojením paralelismu aktualizačního modelu asynchronních celulárních automatů s prediktivními schopnostmi algoritmů strojového učení. Tato studie si klade za cíl demonstrovat kvality takového hybridního přístupu implementací tří matematických modelů celulárních automatů s rostoucí složitostí—tj., seřezeny podle stupně složitosti, Conwayova Hra Života, SmoothLife a Lenia—ve své základní formě a následnou integrací strojového učení do funkce dvou posledně jmenovaných, po čemž následuje porovnání výsledků obou přístupů.
|
|
|
Automatic Transcription of Speech Supporting Code Switching
Bílek, Štěpán ; Karafiát, Martin (referee) ; Szőke, Igor (advisor)
This thesis addresses the issue of automatic speech recognition, focusing on the recognition of audio containing multilingual speech, known as code-switching. The problem of a lack of multilingual data for training is addressed by combining recordings in English and German. To achieve the closest approximation to real bilingual speech, a portion of the datasets is created by merging recordings of similar speakers. The Whisper model is trained and tested on the created data. In its original unadapted version, the model achieves an error rate of up to 70 %. The best models trained on combined datasets achieve error rates slightly above 7 %. The results of this study demonstrate methods for training models to achieve the best possible performance.
|
guest ::
