|
|
Startpage for TV Application
Bureš, Michal ; Bureš, Tomáš (vedoucí práce) ; Horký, Vojtěch (oponent)
V naší práci implementujeme konfigurovatelnou TV aplikaci pro set-top box zařízení, v kontextu zabudovaného webového prohlížeče. Práce je vedena dle zákaznického zadání a plně integrovaná do velké IPTV platformy. Má formu komplexního výchozího menu, jehož první sekcí je interaktivní dlaždicová struk- tura obsahující pohyblivý video přehrávač. Ostatní sekce obsahují menší ap- likace, nebo podsekce menu. Základem jsou moduly, které transformují zdroje dat na dlaždice. Ty jsou pak projektovány na horizontální karusely dle dynam- ické konfigurace. Navrhli jsme vhodně definované rozhraní k integrování nových modulů. Necelých dvacet jich je připraveno k okamžitému použití. Poskytují různé druhy parametrizovatelných dlaždic, například živé programy, s možností je přímo pustit či nahrát. Naše vrstva uživatelského rozhraní využívá knihoven React a Redux a je navržena jako jednostránková aplikace. Pro předvídatelnost, jakákoli změna stavu aplikace je řešena prostřednictvím vytvoření akce, která je zpracována pouze pure funkcemi. Nedostatečný výkon set-top boxů nás přivedl k implementaci pomocí immutable stavu aplikace, po kterých se pruměrná doba rendrování našich React komponent zkrátila o více než polovinu. iii
|
|
|
Machine-learning-based self-adaptation of component ensembles
Töpfer, Michal ; Bureš, Tomáš (vedoucí práce)
Strojové učení se úspěšně používá pro dílčí úlohy v oblasti distribuovaných adaptivních systémů (například internet věcí a tzv. cyber-physical systémy). Mezi nejčastější použití patří predikce budoucího stavu komponent systému (například kolik energie bude zbý- vat v baterii dané komponenty za určitý čas) a prořezávání prostoru možných adaptací systému. Většina dosavadního výzkumu se soustředila především na použití algoritmů strojového učení pro konkrétní úlohy, nicméně zatím nebylo věnováno příliš pozornosti systematickému zapojení strojového učení přímo do architektury systémů. V této práci představujeme ML-DEECo - komponentový model specificky navržený pro snadné použití strojového učení v adaptivní komponentové architektuře systému. ML-DEECo je založen na konceptech komponent a jejich kooperace z komponentového modelu DEECo a rozšiřuje DEECo o abstrakce pro specifikaci predikcí přímo v architek- tuře systému. Architekt softwarového systému se tak může soustředit pouze na logiku systému a vše potřebné pro získání predikcí (například trénink modelu pomocí algoritmů strojového učení) zajišťuje náš framework. Součástí práce je implementace ML-DEECo frameworku v Pythonu a ukázka jeho použití na příkladech adaptivních systémů z oblastí chytrého farmaření a Průmyslu 4.0.
|
|
|
Temperature Profiles Measurement of BGA Packages in Reflow Soldering
Tomčáková, Anna ; Bureš, Tomáš (oponent) ; Starý, Jiří (vedoucí práce)
This graduation thesis addresses questions to thermal profile measurement of PBGA package during solder reflow process. The first part of thesis deals with problem of reflow process and reliability factors of solder joint connection. Next part analyses operation principles of thermocouples that are commonly used for temperature measurement. The experimental part deals with methods of thermocouples fixation during tests and measurements of dummy PBGA package. There was realized a method of dummy PBGA thermal profiles measurement and sample testing with and without simulated thermal load on PBGA package. The end of thesis concerns on possibilities of thermal profiles evaluation by using PWI method and thermal profile optimization of reflow process.
|
|
|
Uživatelské rozhraní pro Active Learning detekce a klasifikace v obraze
Bureš, Tomáš ; Šůstek, Martin (oponent) ; Rozman, Jaroslav (vedoucí práce)
Při aktivním učení doménový expert nemusí anotovat veškerá data, ale pouze ta, která umožní model trénovat postupně. Příkladem aktivního učení je například detekce a následné odstranění špatných anotací. Dalším příkladem je detekce a rozšíření trénovacích dat, na kterých model selhává. Součástí práce je popis knihoven, frameworků a programů, které lze pro aktivní učení integrovat. Hlavní částí je návrh a popis uživatelského rozhraní webové aplikace pro aktivní učení. Aplikace umožňuje uživateli prohlížet dataset, řadit anotace a obrázky na základě vícero kritérií a upravovat anotace generované modelem aktivního učení. Grafické uživatelské rozhraní aplikace bylo implementováno s použitím frameworku Vue.js a knihovny Paper.js. V závěru práce je diskutována funkčnost a možnosti budoucícho rozšíření.
|
|
|
Aktivní učení s neuronovými sítěmi
Bureš, Tomáš ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Práce se věnuje problematice aktivního učení a jeho spojení s neuronovými sítěmi. Nejprve obsahuje úvod do problematiky, nastínění metod prozkoumaných metod aktivního učení. Následuje praktická část s experimenty zkoumající jednotlivé strategie a jejich vyhodnocování.
|
|
|
Distributed job execution in IVIS Framework
Vašut, Roman ; Bureš, Tomáš (vedoucí práce) ; Horký, Vojtěch (oponent)
Tato práce se zabývá distribucí výpočtu v datově zpracovatelském a vi- zualizačním frameworku IVIS. V současné implementaci jsou takzvané Joby spouštěny pouze na hostujícím stroji IVISu, což může vyvolat obavy ze šká- lovatelnosti. Práce se pokouší umožnit vykonávání Jobů na předkonfiguro- vaných strojích, komerčních cloudových platformách a HPC clusteru. Toho je dosaženo pomocí nové entity "executora" při zajištění kompatibility s pů- vodní architekturou Jobů a, protože komuinkace se vzdálenými stroji je usku- tečňována přes Internet, bezpečnosti. Součástí práce jsou také 2 pomocné aplikace, které zajišťují vzdálenou kontrolu nad stroji a správu skupin strojů (tzv. poolů). Dosáhli jsme paralelizace běhů Jobů. Na práci lze také dále navázat například podporou pro specializovaný hardware nebo zvýšením dy- namičnosti alokace vzdálených strojů.
|
|
|
Data logging and visualization for Mailtrain using IVIS
Štrobl, Filip ; Bureš, Tomáš (vedoucí práce) ; Kofroň, Jan (oponent)
Mailtrain je uživateli hostovaná, volně dostupná, open-source aplikace pro zasílání informačních bulletinů s pokročilými možnostmi pro správu skupin odběratelů, vytváření a posílání e-mailových kampaní a správu více uživatelů a jejich oprávnění na granulární úrovni, včetně flexibilního sdílení oprávnění. Aplikaci chybí dobré možnosti jak analyzovat a vizualizovat její data za účelem sledování výkonu nebo bezpečnosti. IVIS je framework poskytující nástroje na zpracování a vizualizaci dat, které Mailtrain potřebuje, a oba projekty spolu sdílí mnoho stěžejních technologií. V této práci rozšíříme Mailtrain, aby používal IVIS a jeho služby pro logování, vizualizaci a analýzu jeho dat. Důraz je kladen na rozšiřitelnost dat logovaných z Mailtrainu i způsobů, jak je vizualizovat. 1
|
|
|
Horizontal scalability for e-mail delivery in Mailtrain
Kučák, Erik ; Bureš, Tomáš (vedoucí práce) ; Kofroň, Jan (oponent)
Mailtrain je samoobslužná aplikace s otevřeným zdrojovým kódem postavená na Node.js, která poskytuje vlastnosti, jako je správa seznamů odběratelů, segmentace seznamů, vlastní pole, šablony e- mailů, spouštěné a RSS kampaně atp. Jedná z hlavních nedostatků Mailtrainu je neschopnost horizontálně škálovat, což má za následek výkonnostní limit při doručování kampaní velmi velkým seznamem adresátů. Hlavním cílem této práce je rozšířit Mailtrain tak, aby dovoloval doručovat kampaně (včetně příloh, propojených obrázků a sledování uživatelů) distribuovaným a horizontálně škálovatelným způsobem. Práce by měla obsahovat návrh rozšíření, jeho implementaci a vyhodnocení výkonu pro srovnání rozšíření se stávajícím výkonem Mailtrainu.
|
|
|
Machine-learning-based self-adaptation of component ensembles
Töpfer, Michal ; Bureš, Tomáš (vedoucí práce) ; Parízek, Pavel (oponent)
Strojové učení se úspěšně používá pro dílčí úlohy v oblasti distribuovaných adaptivních systémů (například internet věcí a tzv. cyber-physical systémy). Mezi nejčastější použití patří predikce budoucího stavu komponent systému (například kolik energie bude zbý- vat v baterii dané komponenty za určitý čas) a prořezávání prostoru možných adaptací systému. Většina dosavadního výzkumu se soustředila především na použití algoritmů strojového učení pro konkrétní úlohy, nicméně zatím nebylo věnováno příliš pozornosti systematickému zapojení strojového učení přímo do architektury systémů. V této práci představujeme ML-DEECo - komponentový model specificky navržený pro snadné použití strojového učení v adaptivní komponentové architektuře systému. ML-DEECo je založen na konceptech komponent a jejich kooperace z komponentového modelu DEECo a rozšiřuje DEECo o abstrakce pro specifikaci predikcí přímo v architek- tuře systému. Architekt softwarového systému se tak může soustředit pouze na logiku systému a vše potřebné pro získání predikcí (například trénink modelu pomocí algoritmů strojového učení) zajišťuje náš framework. Součástí práce je implementace ML-DEECo frameworku v Pythonu a ukázka jeho použití na příkladech adaptivních systémů z oblastí chytrého farmaření a Průmyslu 4.0.
|
|
|
Extensible Collaborative Development Platform
Halaša, Michal ; Hnětynka, Petr (vedoucí práce) ; Bureš, Tomáš (oponent)
Název práce: Rozšířitelná vývojová platforma s možností spolupráce Autor: Michal Halaša Katedra / Ústav: Katedra distribuovaných a spolehlivých systémů Vedoucí bakalářské práce: RNDr. Petr Hnětynka Ph.D., S 212, Malostranské nám. 25, Praha Abstrakt: V dnešní době existuje více vývojových platforem s důrazem na spolupráci uživatelů. Tyto platformy poskytují vývojářům sadu aplikací umožňujících společný vývoj (VCS nástroje, aplikace na sledovaní chyb, emailové konference atp.). Na druhou stranu existují samostatné nástroje na obsluhu jednotlivých aplikací. Většinou tyhle samostatné nástroje poskytují více funkcionality pro vývojáře, ale musejí být nastaveny a spravovány samostatně. Cílem tyto práce je vyvinout vývojovou platformu (tzv. Forge), která je plně rozšiřitelná a poskytuje sjednocený spůsob správy všech použitých nástrojů. Klíčová slova: java, rozšíritelnost, vývojová platforma
|
host ::
RSS.