|
|
Optimalizace řízení s pomocí zpětnovazebního učení na platformě Robocode
Pastušek, Václav ; Myška, Vojtěch (oponent) ; Burget, Radim (vedoucí práce)
Tato diplomová práce se zabývá optimalizací řízení tankového robota v prostředí Robocode za využití zpětnovazebního učení. Komplexita tohoto problému spadá do třídy EXPSPACE, což představuje výzvu, kterou nelze podcenit. Teoretická část práce pečlivě zkoumá platformu Robocode, koncepty zpětnovazebního učení a příslušné algoritmy, zatímco praktická část se zaměřuje na optimalizaci agenta, implementaci zpětnovazebních algoritmů a vytvoření uživatelsky přívětivého rozhraní pro snadné trénování a testování modelů. V rámci práce bylo natrénováno a otestováno celkem 64 modelů, jejichž data a parametry jsou vzájemně srovnávány a prezentovány v přiložených databázích a grafech. Nejlepší výsledky v průměrném počtu zásahů na epizodu dosáhly modely s označením v0.8.0 a v1.0.0. U prvního z nich se projevila určitá schopnost vyhýbání se střelám, zatímco u druhého byly pozorovány úspěšnější zásahy.
|
|
|
Automatizovaná segmentace diadochokinetické úlohy za účelem vzdáleného monitorování řeči
Svojanovský, Jan ; Mekyska, Jiří (oponent) ; Kováč, Daniel (vedoucí práce)
Práce popisuje zdravotní problémy spojené s Parkinsonovou nemocí, zvláště pak hypokinetickou dysartrii. Popisuje také subjektivní a objektivní metody, kterými se závažnost nemoci stanovuje. Jednou z metod je diadochokinetická (DDK) úloha založena na opakování slabik tak, aby se prověřila funkčnost artikulačního aparátu (např. jazyk, rty či hlasivky). Správná tvorba řeči může být také zkoumána klinickým logopedem v testu 3F, který vážnost poruch v oblastech tvorby řeči bodově hodnotí. V práci jsou popsány přístupy jiných autorů, kteří se také zabývali automatizovaným vyhledáváním slabik v řečovém signálu. Práce popisuje některé příznaky, charakterizující vlastnosti lidské řeči, které jsou potřebné pro trénování modelu strojového učení. Tyto příznaky byly počítány pro každý z 30 ms segmentů nahrávky DDK úlohy, ve které byly opakovány slabiky [Pa]-[Ta]-[Ka]. Hlavním cílem je automatizovaná detekce a klasifikace slabik [Pa]-[Ta]-[Ka] v nahrávkách. K tomu byl aplikován algoritmus využívající logistickou regresi. Výsledná průměrná přesnost detekce slabik v nahrávkách byla 89,4 %, průměrná sensitivita 59,0 % a průměrná specificita 93,79 %. Rozlišovat druhy jednotlivých slabik se dařilo s průměrnou přesností 90,78 %, průměrnou sensitivitou 59,0 % a specificitou 95,39 %. Při úvaze, že se predikovaný začátek nenacházel přímo na manuálně anotovaném začátku, ale v jeho blízkém okolí (až ± 3 segmenty) dosahovala průměrná sensitivita detekce 96,9 % a průměrná sensitivita klasifikace druhu slabik 85,1 % s průměrnými rozdíly manuálně anotovaných a automaticky segmentovaných začátků slabik 10,35 ms. Průměrná přesnost klasifikace řečníků na zdravé a nemocné s PN pomocí logistické regrese (s řečovými parametry získanými po automatizované segmentaci) dosahovala pouze 43,92 %, sensitivita 70,0 % a specificita 30,61 % (práh 70 %). Pomocí lineární regrese proběhla predikce klinických skórů testu 3F. Pro faciokinezi dosahovala odmocnina ze střední kvadratické chyby (RMSE) po manuální anotaci slabik hodnoty 2,764 a po automatizované segmentaci hodnoty 3,271. Hodnoty RMSE u fonetiky byly 3,657 (manuálně) a 0,753 (automatizovaně). Vytvořený algoritmus dokáže relativně úspěšně detekovat slabiky v DDK úlohách a je tak možné určovat parametry kvantifikující poruchy řeči s nízkými rozdíly s manuální segmentací. Pokud nahrávky DDK úloh budou splňovat podmínky pro výpočet všech těchto parametrů, mohl by být algoritmus využit ke klasifikaci řečníků na zdravé a nemocné s PN, u kterých by navíc mohl hodnotit závažnost dysartrie.
|
|
|
Nástroj pro podporu přípravné fáze penetračního testování
Žáček, Dominik ; Gerlich, Tomáš (oponent) ; Sikora, Pavel (vedoucí práce)
Tato práce se zabývá vývojem pokročilého nástroje určeného pro zefektivnění týmového penetračního testování. Nástroj pracuje tak, že automaticky přiřazuje úkoly penetračním testerům na základě schopností a historického výkonu. Teoretická část práce podrobně analyzuje různé metody řešení problému přiřazení, zejména Maďarskou metodu a lineárním programováním. V teoretické části následuje návrh dvou-krokového algoritmu pro přiřazení úkolů. Dále je detailně popsán princip fungování neuronových sítí, které jsou základem druhého kroku přiřazení. V rámci práce byly také vytvořeny unikátní metody pro generování dvou datových sad. Bylo implementováno rozhraní pro přiřazení úkolů a byly navrženy metriky určující kvalitu přiřazení. Výsledkem je nástroj, který výrazně zefektivňuje přidělení úkolů penetračním testerům a zvyšuje celkovou efektivitu penetračního testování v týmech.
|
|
|
Návrh signálů pro modelování nelineárních systémů
Kuba, Michael ; Ištvánek, Matěj (oponent) ; Miklánek, Štěpán (vedoucí práce)
Diplomová práce se zabývá trénovacími signály pro modelování nelineárních systémů pomocí hlubokého učení. Je zde popsán teoretický úvod k této problematice včetně úvodního popisu signálů a nelineárních zvukových zkreslovacích efektů. Cílem práce je navržení sady umělých trénovacích signálů, které mají sloužit k vytvoření modelů zkreslovacích kytarových efektů nebo elektronkových kytarových zesilovačů. Navržená sada umělých trénovacích signálů je poté zpracována kytarovými a baskytarovými efekty a pomocí rekurentní neuronové sítě jsou natrénovány jejich modely. Kvalita výsledných modelů je následně srovnána s kvalitou modelů vytvořených pomocí referenčního trénovacího signálu, složeného ze záznamů hry na elektrickou kytaru, a signálů z komerčně dostupných zařízení. Srovnání je provedeno dle objektivních metrik a subjektivního hodnocení pomocí poslechového testu MUSHRA.
|
|
|
Současné trendy v datové analytice a jejich úspěšné podnikové aplikace
RUBÁŠOVÁ, Anna
Bakalářská práce se zaměřuje na současné trendy v datové analytice a jejich aplikaci do podnikové praxe. V práci je popsán vývoj datové analytiky a metody strojového učení, které jsou využívány pro získání znalostí z dat. Specifický příklad, na kterém je demonstrováno využití strojového učení, se zabývá predikcí výsledků binárního klasifikačního problému, kde jsou historická data využita k předvídání budoucích trendů. Vybrané metody jsou realizovány za využití "no-code" internetového nástroje. V práci je provedena komparativní analýza realizovaných metod. Metody jsou hodnoceny na základě jejich přesnosti a efektivity výpočtu, a následně je identifikována nejvhodnější z nich. Závěrem je vybraná metoda dále optimalizována za využití prahové hodnoty pro dosažení nejlepších výsledků.
|
|
|
Identifikace obsahu šifrovaného video-streamu
MACÁK, Tomáš
Tato práce se zabývá tvorbou datové sady naměřených, šifrovaných video streamů a následnou implementací řešení, které má za cíl identifikovat jejich obsah pomocí metod strojového učení. V teoretické části práce je nejdříve vysvětleno, co to video streaming on demand je a jak funguje. Následně jsou představeny modely strojového učení, které je možné využít k řešení tohoto problému. Kapitolu uzavírá rešerše již vypracovaných prací na podobné téma. V praktické části práce byla vytvořena zmíněná datová sada, která byla následně zanalyzována a byly vytvořeny reprezentace, které měly sloužit jako otisk jednotlivých video streamů. V následující části byly implementovány klasifikační modely a modely pro zkoumání podobnosti, které byly poté trénovány pomocí dříve připravených dat. Na závěr byly modely otestovány a jejich výsledky shrnuty a porovnány.
|
|
|
Anomaly and threat detection in audit logs using machine learning
Ludes, Adam ; Ježek, Štěpán (oponent) ; Tomašov, Adrián (vedoucí práce)
The thesis explores cloud-native architecture, anomaly detection techniques, machine learning, and data analysis to develop an anomaly detection model for audit logs from the Red Hat OpenShift Container Platform. Statistical methods and time series analysis for anomaly detection are introduced, while machine learning models and preprocessing techniques are implemented and evaluated. The results demonstrate limitations in traditional models for handling anomalies in deeply nested data, while the NLP model shows robust performance. This research provides valuable insights and is a reference for researchers and practitioners in cloud-native architecture, anomaly detection, machine learning, and data analysis.
|
|
|
DEEP LEARNING FOR SINGLE-VOXEL AND MULTIDIMENSIONAL MR-SPECTROSCOPIC SIGNAL QUANTIFICATION, AND ITS COMPARISON WITH NONLINEAR LEAST-SQUARES FITTING
Shamaei, Amirmohammad ; Latta,, Peter (oponent) ; Kozubek, Michal (oponent) ; Jiřík, Radovan (vedoucí práce)
Preprocessing, analysis, and quantification of Magnetic resonance spectroscopy (MRS) signals are required for obtaining the metabolite concentrations of the tissue under investigation. However, a fast, accurate, and efficient post-acquisition workflow (preprocessing, analysis, and quantification) of MRS is challenging. This thesis introduces novel deep learning (DL)-based approaches for preprocessing, analysis, and quantification of MRS data. The proposed methods achieved the objectives of robust data preprocessing, fast and efficient MR spectra quantification, in-vivo concentration quantification, and the uncertainty estimation of quantification. The results showed that the proposed approaches significantly improved the speed of MRS signal preprocessing and quantification in a self-supervised manner. Our proposed methods showed comparable results with the traditional methods in terms of accuracy. Furthermore, a standard data format was introduced to facilitate data sharing among research groups for artificial intelligence applications. The findings of this study suggest that the proposed DL-based approaches have the potential to improve the accuracy and efficiency of MRS for medical diagnosis. The dissertation is structured into four parts: an introduction, a review of state-of-the-art research, a summary of the aims and objectives, and a collection of publications that showcase the author's contribution to the field of DL applications in MRS.
|
|
|
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Blaude, Ondřej ; Smital, Lukáš (oponent) ; Provazník, Valentine (vedoucí práce)
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. V kapitole první je krátce popsán úvod k srdci a měření jeho elektrické aktivity, navíc jsou zde krátce popsány abnormality, které budou v práci klasifikovány. Ve druhé kapitole je popsáno, jak bylo EKG diagnostikováno dříve, tedy klasickými metodami, které předcházely hlubokému učení. Zde jsou i zmíněny některé nedostatky, které tyto metody mají právě oproti hlubokému učení. Část třetí již věnuje pozornost hlubokému učení samotnému, jeho přínosu a výhodám ve srovnání s metodami klasickými. Popsány jsou zde i konvoluční neuronové sítě a jejich jednotlivé bloky, později je věnována pozornost i vybraným architekturám, které byly v některých studiích použity. Kapitola čtvrtá se již zaměřuje na praktickou část, v níž jsou podrobněji popsána použitá data z databáze PhysioNet, navržený algoritmus a jeho realizace. V páté kapitole jsou výsledky diskutovány a srovnány výsledky dostupných publikací se související problematikou.
|
|
|
Korekce koncept driftu v predikčních modelech
Michálková, Eva ; Provazník, Valentine (oponent) ; Schwarzerová, Jana (vedoucí práce)
Tato bakalářská práce se zabývá problematikou analýzy koncepčního driftu. Koncepční drift je nežádoucí jev objevující se vlivem dynamického charakteru světa. Tento jev může negativně ovlivňovat přesnost a spolehlivost predikčních modelů. Lze ho korigovat pomocí detekce a následné korekce. Jednou z oblastí, kde se tato problematika v poslední době nově objevuje, je lékařská diagnostika z metabolomických dat. Analýza metabolomických dat může vést ke včasnému odhalení některých závažných onemocnění, což může hrát velkou roli při následné léčbě. Při diagnostice onemocnění představují predikční modely její vylepšení, urychlení a personalizaci. První část práce představuje problematiku koncepčního driftu, metody jeho detekce a korekce, význam metabolomiky a predikčních modelů. Druhá část práce pojednává o implementaci dostupných algoritmů pro detekci a korekci koncepčního driftu a implementaci vlastní automatické korekce koncepčního driftu. Na závěr jsou popsány dosažené výsledky a jejich diskuze.
|
host ::
RSS.