|
|
Classifier of astrophysics data
Rylko, Vojtěch ; Vrábelová, Pavla (oponent) ; Zendulka, Jaroslav (vedoucí práce)
This bachelor thesis describes selection, design and implementation of a data mining algoritm for astrophysical usage. The implementation of the random decision forests algorithm in C++ is evaluated on two astrophysical and some general experiments. Experiments are both classification and regression with time measuring. For comparison another three implementations are evaluated. The resulting implementation shows good results mainly in classification.
|
|
|
Metody strojového učení ve zpracování přirozeného jazyka
Vodička, Jan ; Otrusina, Lubomír (oponent) ; Smrž, Pavel (vedoucí práce)
Bakalářská práce se zajímá hodnocením sentimentu textu v českém jazyce za pomocí metod strojového učení, hlavně za použití naivního bayesovského klasifikátoru. Členění probíhá do dvou kategorií - pozitivní, negativní zprávy. Jako datové zdroje pro automatické vytvoření korpusu jsou použity zprávy ze sociální sítě Twitter, zbožového porovnávače Heuréka, filmové databáze ČSFD a restauračního portálu Scuk. Jsou porovnány z hlediska výkonnosti při hodnocení sentimentu. Následně je sestavena výsledná tréninková sada, která je použita při hodnocení zpráv z Twitteru v téměř reálném čase.
|
|
|
OCR na platformě iOS
Hakulin, Lukáš ; Žák, Pavel (oponent) ; Angelov, Michael (vedoucí práce)
Práce se věnuje problematice rozpoznávání textu v obraze na mobilní platformě iOS. Obsahuje principy a metody detekce textu, získávání příznaků a klasifikace. Popisuje návrh a implementaci jednoduché aplikace pro rozpoznávání informací o umístění nábytku ve skladu obchodního domu IKEA.
|
|
| |
|
|
Strojové učení v klasifikaci obrazu
Král, Jiří ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Práce se zabývá hledáním a analýzou statistických modelů a algoritmických postupů, které mají potenciál zlepšit výsledky FIT VUT v Brně na soutěžích zabývajících se klasifi kací obrazu jako jsou ImageNet Large Scale Visual Recognition Challenge a TRECVID. V práci byl otestován multinomiální model, také byl použit model Phonotactic Intersession Variation Compensation (PIVCO) pro adaptaci náhodných vlivů v obrazové reprezentaci a dále pak pro redukci dimenzionality. Dále byl analyzován model KPCA, kterým se emulovala Kernel SVM klasi kace. Všechny statistické modely byly testovány na Pascal VOC 2007 datasetu.
|
|
|
Adaptivní klient pro sociální síť Twitter
Guňka, Jiří ; Kajan, Rudolf (oponent) ; Šperka, Svatopluk (vedoucí práce)
Účelem této práce je vytvořit uživatelsky přívětivého klienta pro službu Twitter, využívajícího metod strojového učení k doporučování zajímavých příspěvků uživateli na základě jeho dosavadního chování. Klient nabízí klasické funkce poskytované obecně všemi klienty a k tomu přidává funkčnost v podobě doporučování příspěvků a grafického znázornění aktuálních příspěvků.
|
|
|
Evoluční model s učením (LEM) pro optimalizační úlohy
Weiss, Martin ; Vašíček, Zdeněk (oponent) ; Schwarz, Josef (vedoucí práce)
Numerická optimalizace multimodálních či jinak netriviálních funkcí se stále drží blízko středu pozornosti výzkumníků v této oblasti. Jednou ze slibných metod je i hybridní přístup Learnable Evolution Model kombinující zavedené postupy z oblasti umělé inteligence a strojového učení s poslední dobou populárními a efektivními metodami evolučního programování. V této práci byla metoda zhodnocena z hlediska co už bylo implementováno a vyzkoušeno a bylo navrženo několik dalších možných implementací. Vybrané přístupy byly realizovány a otestovány na vybraných netriviálních spojitých funkcích. Výsledky byly následně porovnány s výsledky dosaženými pomocí EDA algoritmů.
|
|
|
Automatické označování obrázků
Sýkora, Michal ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá automatickým zařazováním obrázků do sémantických tříd na základě jejich obsahu. Hlavně různými způsoby klasifikace založenými na SVM. Hlavním cílem této práce je zlepšit přesnost klasifikace na velkých datových sadách. Práce se zabývá jak lineárními tak i nelineárními SVM klasifikátory a také možností použítí RBM pro transformaci příznaků pro lineární SVM klasifikátory. Dále jsou všechny tyto přístupy srovnány. Srovnává se nejen přesnost, ale i časová náročnost, využití zdrojů a možnosti budoucího pokračování ve výzkumu.
|
|
|
Multi-modální "Restricted Boltzmann Machines"
Svoboda, Jiří ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá způsobem, jakým mohou být využity multi-modální Restricted Boltzmann Machines (RBM) pro automatické označování obrázků dle jejich obsahu. Práce obsahuje stručný rozbor modalit použitelných pro multi-modální klasifikaci. Také jsou zde popsány jednotlivé druhy RBM, které jsou vhodné pro odlišné typy vstupních dat. Praktická část práce obsahuje návrh a popis implementace multi-modální RBM, dále práce obsahuje výsledky přípravných experimentů.
|
|
|
Aplikace Bayesovských sítí
Chaloupka, David ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato diplomová práce se zabývá možnými aplikacemi Bayesovských sítí. Nejprve se zaměřuje na obecnou teorii pravděpodobnosti a později na úrovni matematiky vysvětluje samotnou teorii Bayesovských sítí, přístupy k inferenci a k učení včetně ozřejmění silných a slabých stránek popisovaných technik. Součástí výkladu jsou v mnoha případech ilustrativní příklady a podrobně komentovaná matematická odvození prezentovaných vzorců. V praktické části práce je kladen důraz na aplikace vyžadující učení Bayesovské sítě, jednak ve smyslu učení parametrů a jednak ve smyslu struktury. První aplikací jsou obecné benchmarkové úlohy, které zkoumají chování prezentovaných technik a zaměřují se na způsob optimální volby parametrů učení Bayesovské sítě. Druhou aplikací je užití Bayesovských sítí pro účely dolování znalostí o příčinách zločinnosti prostřednictvím vizualizace závislostí mezi náhodnými proměnnými popisujícími zkoumanou doménu. Třetí aplikace zkoumá možnosti nasazení Bayesovské sítě jakožto spam filtru a dosažené výsledky porovnává prostřednictvím všeobecně užívané datové sady s výsledky naivního Bayesovského filtru, který rovněž vychází z teorie pravděpodobnosti.
|
host ::
RSS.