|
|
Artificial intelligence for Texas Holdem poker game
Moravčík, Matej ; Petříčková, Zuzana (vedoucí práce) ; Sýkora, Ondřej (oponent)
V poslednej dobe nastal veľký rozmach pokru. Týka sa to živej hry, rovnako ako hry na internete. Pre začínajúcich hráčov však môže byť problém nájsť protihráčov so solídnymi schopnosťami a zlepšovať tak svoju hru bez vkladu vlastných finančných prostriedkov. Ako riešenie sa ponúka využitie umelej inteligencie. Dostupných programov, venujúcich sa turnajovej hre je však málo. Táto práca ukazuje celkový návrh a tvorbu takejto aplikácie, určenej špeciálne pre turnajový variant hry Texas Holdem poker. Najväčšia pozornosť je venovaná umelej inteligencii. Sú rozobraté dva hlavné postupy jej tvorby a to aproximácia Nashovho equilibria a použitie expertného systému. Dôraz je kladený na prvú z možností. Hlavný prínos práce spočíva v podrobnom predstavení a porovnaní troch algoritmov na na výpočet aproximácie Nashovho equilibria. V dvoch prípadoch sa jedná o originálne heuristiky, využívajúce špecifickú štruktúru pokrovej hry. Algoritmy boli implementované a boli empiricky vyhodnotené ich vlastnosti. Konečným výsledkom práce je plnohodnotná aplikácia, určená pre koncového používateľa. Simuluje pokrovú hru, poskytuje silnú umelú inteligenciu a atraktívne grafické užívateľské prostredie.
|
|
|
Technická analýza trhu za použití umělých neuronových sítí
John, Pavel ; Petříčková, Zuzana (vedoucí práce) ; Pilát, Martin (oponent)
Technická analýza trhů se začala vyvíjet velice brzy, první zmínky jsou již z osmnáctého století. Od té doby však doznala tato disciplína překvapivě málo změn. Je zcela běžné, že se obchodníci s cennými papíry stále rozhodují na základě pohledu na graf vývoje ceny aktiva v čase. Až s nedávným rozšířením umělých neuronových sítí se začal pokrok v této oblasti opět rozvíjet. Na internetu je možno nalézt stále se rozšiřující nabídku komerčních produktů, jež se tématem zabývají. Volně dostupný nástroj, ve kterém by bylo možno testovat použití neuronových sítí na historických datech a různé obchodní strategie zatím rozšířen není. Obsahem této práce je krok k řešení zmíněného nedostatku. Nejprve je předložen náhled na obor technické analýzy z ekonomického pohledu. Na něj navazuje přehled o vybraných algoritmech adaptace neuronových sítí a diskuse o jejich aplikovatelnosti na řešený problém. Z prezentovaných teoretických poznatků vychází software, který je rovněž součástí této práce. Mezi jeho výhody se řadí poměrně vysoká obecnost a snadná rozšiřitelnost. Přitom je možné jej pomocí grafického rozhraní nastavit na řešení zcela konkrétních úkolů. Tím byl mimo jiné umožněn vznik slibné obchodní strategie, jež je součástí práce včetně dat, na kterých byla testována.
|
|
|
Gradientní učení pro sítě hladce pulzních neuronů
Hošek, Lukáš ; Šíma, Jiří (vedoucí práce) ; Petříčková, Zuzana (oponent)
Sítě pulzních (spiking) neuronů představují biologicky více plausibilní alter-nativu k perceptronovým sítím mající velký potenciál pro zpracování časových řad. Nicméně doposud pro ně nebyl znám prakticky použitelný učící algoritmus. SpikeProp založený na gradientní metodě a jeho modifikace mají problém s principiální nespojitostí vzniku a zániku pulsů. Tuto otázku se snaží vyřešit nový netriviální gradientní učící algoritmus pro model hladce pulzních neuronů. Cílem práce je implementace a testování tohoto modelu a případné navržení jeho dalších vylepšení.
|
|
|
Generování rozmístění nábytku
Dvořák, Ondřej ; Petříčková, Zuzana (oponent) ; Jelínková, Eva (vedoucí práce)
Cílem práce je vytvořit program, který na základě stanovených omezujících podmínek generuje různé návrhy rozestavení nábytku v místnosti. Tento program se jmenuje Spaceout a jeho základem jsou genetické algoritmy. Práce zároveň podává stručný přehled existujících programů pro vytváření návrhů interiérů a exteriérů. Její součástí je i programátorská a uživatelská dokumentace programu Spaceout.
|
|
|
Improving and extending the multiple sequence alignment suite PRALINE
Hudeček, Jan ; Petříčková, Zuzana (oponent) ; Mráz, František (vedoucí práce)
Cílem této práce bylo zkoumání možností vylepšení souboru programů pro zarovnávání mnoha sekvencí PRALINE. Nejprve je prezentován přehled současných metod pro řešení problému zarovnávání více sekvencí (multiple sequence alignment) s přihlédnutím k variantám reprezentace jádra zarovnání - mezivýsledku používaných algoritmů. PRALINE byla rozšířena o zarovnávání uživatelsky zadaných profilů. Uživatelem zadaný profil je v tomto rozšíření použit v pokročilejši fázi progresivního zarovnávání, jako by se jednalo o mezivýsledek předchozích kroků. Toto rozšíření bylo otestováno v typickém případu užití. Přidali jsme 2 nové protokoly pro zarovnávání založené na skrytých Markovových řetězcích (HMM) a otestovali kvalitu jejich výsledků. Protokol HMMGUIDE vytvoří pro každou sekvenci preprofil skládájící se ze segmentů ostatních sekvencí s vysokou lokální podobností. Z preprofilu HMMER vygeneruje pro každou sekvenci HMM a PRC zjistí stupeň podobnosti mezi dvojicemi HMM. Protokol pak progresivně zarovnává sekvence, jejichž HMM byly nejpodobnější. Protokol PRCALIGN postupuje obdobně, ale pro zarovnání použije výstup z PRC, sekvence tedy zarovná podle nejlepšího zarovnání HMM. Přestože protokoly nedokončily všechny testy úspěšně, výsledky ukazují významné zlepšení oproti původní metodě.
|
|
|
Modely výpočetní inteligence pro hydrologické predikce
Paščenko, Petr ; Petříčková, Zuzana (oponent) ; Neruda, Roman (vedoucí práce)
Tato práce se zabývá možností využití metod výpočetní umělé inteligence v oblasti hydrologických předpovědí. Praktická studie problému krátkodobé predikce průtoku na základě světových srážek je provedena na skutečných fyzikálních datech popisujících relevantní časové řady naměřené v povodí řeky Ploučnice. Zevrubně statitstická studie zahrnující korelační regresní analýzu prokázal vysoký rozptyl naměřených hodnot. Pro konstrukci vstupniho filtru pro neuronové modely byl proveden evoluční experiment. V hlavní části práce bylo prozkoumáno několik modelů neuronových sítí založených na vicevrstvém perceptronu, sítích typu RBF a neuroevoluci společně se dvěma anáblovými modely inspirovanými tzv. bagginem. Výsledné modely byly pečlivě testovány na datech pokrývajících letní období tří po sobě následujících let. Bylo prokázáno, že modely založené na vícevrstvém perceptronu vykazují větší schopnost generalizace. Výsledné perceptronové modely jsou schopny snížit kvadratickou chybu předpovědi o zhruba 15% v porovnání s konzervativní predikcí současnou hodnotou.
|
|
|
Knowledge Extraction from Data
Kozák, Vladislav ; Petříčková, Zuzana (oponent) ; Mrázová, Iveta (vedoucí práce)
Predmetom diplomovej práce je zhrnutie celkového procesu dobývania znalostí z dát a popis existujúcich algoritmov na predspracovanie dát a tvorbu modelu. Vlastnosti algoritmov sú navzájom porovnané a výsledky podložené opakovateľnými testami. Získané znalosti sú použité a aplikované na 2 úlohách z praxe. Súčasťou diplomovej práce bola tiež tvorba aplikácie na dobývanie znalostí z dát. Pri vývoji aplikácie sa kládol dôraz na robustnosť, použiteľnosť, intuitívnosť ovládania ako aj široké spektrum implementovaných algoritmov na dobývanie znalostí z dát.
|
|
| |
|
|
Vývoj hráčov robotického futbalu metódami evolučného programovania
Dener, Libor ; Petříčková, Zuzana (oponent) ; Mráz, František (vedoucí práce)
V předložené práci navrhuji a implementuji prostředky evolučního programování a s jejich pomocí vyvíjím hráče simulovaného robotického fotbalu. Implementuji vlastní zjednodušený model fotbalové hry a knihovny pro práci s genetickými algoritmy a neuronovými sítěmi. Zaměřuji se na učení hráčů řízených neuronovými sítěmi ve zjednodušeném modelu prostředí. Využívám postupného učení, kdy nejprve trénuji hráče na plnění jednodušší úlohy a pak přejdu na složitější úlohy. Neuronové sítě učím pomocí genetických algoritmů. Demonstruji různé možné varianty genetických algoritmů a diskutuji dosažené výsledky jednotlivých variant.
|
|
|
Vícevrstvé hierarchické modely
Béger, Michal ; Petříčková, Zuzana (oponent) ; Štanclová, Jana (vedoucí práce)
Diplomová práca sa zameriava na oblasť hierarchických modelov asociatívnych pamätí (HAM), ktoré boli doposiaľ experimentálne skúmané len pre dve vrstvy. Cieľom práce je naštudovať existujúce hierarchické modely a experimentálne overiť ich vlastnosti pre viac vrstiev. Ukážeme, že súčasný model HAM nie je možné použiť pre viac vrstiev. Z tohto dôvodu navrhneme nový hierarchický model HAM-N, ktorý umožňuje využitie ľubovolného počtu vrstiev. Nový model HAM-N využíva štruktúru modelu HAM, ale vďaka upravenému procesu učenia a vybavovania odstraňuje pôvodné nedostatky modelu HAM. Model HAM-N experimentálne overíme s ohľadom na spracovanie veľkého počtu korelovaných vzorov. Súčasťou práce je aj zhodnotenie výsledkov experimentov.
|
host ::
RSS.