|
|
Moderní řečové příznaky používané při diagnóze chorob
Bílý, Ondřej ; Smékal, Zdeněk (oponent) ; Mekyska, Jiří (vedoucí práce)
Tato práce se zabývá diagnózou Parkinsonovy choroby na základě analýzy řečového signálu. Na začátku práce je popsána tvorba řečového signálu. Následuje popis analýzy řečového signálu, jeho předzpracování a následná extrakce příznaků. Dále je popsána Parkinsonova choroba a změna řečového signálu při tomto postižení. V následující části jsou popsány příznaky, které se používají pro diagnózu Parkinsonovy choroby (FCR, VSA, VOT atd.). Další část práce se zabývá metodami redukce a výběru příznaků pomocí učících se algoritmů (SVM, ANN, k-NN) a jejich následné ohodnocení. V poslední části diplomové práce je popsán vytvořený program pro počítání příznaků. Dále je popsán výběr příznaků a na konec jsou zhodnoceny všechny dosažené výsledky.
|
|
|
Porovnání klasifikačních metod
Dočekal, Martin ; Zendulka, Jaroslav (oponent) ; Burgetová, Ivana (vedoucí práce)
Tato práce se zabývá porovnáním klasifikátorů. Nejprve jsou popsány klasifikační techniky založené na strojovém učení, poté je navržen a implementován systém pro porovnání klasifikátorů. Dále jsou popsány klasifikační úlohy a datové sady, na kterých je systém otestován. Vyhodnocení je prováděno pomocí standardních metrik. V rámci práce je též navržen a implementován klasifikátor založený na principu evolučních algoritmů.
|
|
|
Image annotation using deep learning
Zarapina, Natalya ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This semester thesis describes the design and implementation of the client-server program for classification and localization of certain elements which are present in provided images. This program loads a set of images and use deep learning, especially deep convolution neural network perform a classification. First part describes the architecture, basic principles of operations in convolution network and chosen machine learning algorithms for classification. Second part contains a description of created program.
|
|
|
Chatbot postavený na umělých neuronových sítích
Čechák, Jiří ; Beneš, Karel (oponent) ; Szőke, Igor (vedoucí práce)
Bakalářská práce popisuje implementaci a způsob fungování generativního chatbotu. Chatbot byl implementován v jazyce Python pomocí umělých neuronových sítí a je založen na sequence-to-sequence principu. Výsledný chatbot obsahuje tři modely, které je možné každý natrénovat a poté použít k vedení konverzace ve vytvořeném GUI. Chatbot byl, po natrénování všech modelů, testován pomocí metriky BLEU. Také byl testován několika uživateli, kteří porovnali kvalitu generovaných odpovědí s kvalitou odpovědí již existujícího chatbotu Cleverbot. Pro lepší pochopení dané problematiky se zde nachází jednoduchý popis základních pojmů, jako je umělá inteligence, umělá neuronová síť, rozdíl mezi uzavřenou a otevřenou doménou, word embedding a základní popis chatbotů a jejich dělení, včetně jejich výhod, nevýhod a použití.
|
|
|
Predikce deště pomocí meteorologického radaru
Putna, Lukáš ; Grézl, František (oponent) ; Szőke, Igor (vedoucí práce)
Tato bakalářská práce se zabývá návrhem a implementací systému pro krátkodobou předpověď deště za pomocí meteorologického radaru. Zmiňuje některé postupy při řešení a zejména využití vícevrstvé neuronové sítě, čemuž se celá práce dále věnuje. Vícevrstvé neuronové sítě mají dobré klasifikační schopnosti a dokáží aproximovat jakoukoliv nelineární funkci.V práci je navrhnuto, jak předpověď pomocí neuronové sítě funguje, postup při úpravě dat z meteorologického radaru pro vstup sítě. Dále se práce zabývá přístupem k trénování sítě a možnými metodami vyhodnocení výsledků testů. Na závěr jsou zhodnoceny konkrétní výsledky, dosažené testováním neuronové sítě, a je navrhnuto další možné vylepšení postupu.
|
|
| |
|
| |
|
|
Genetický návrh klasifikátoru s využítím neuronových sítí
Tomášek, Michal ; Vašíček, Zdeněk (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této práce je genetický návrh neuronových sítí, jenž budou schopné provádět klasifikaci v rámci různých klasifikačních úloh. K vytváření těchto neuronových sítí je použit algoritmus vycházející z algoritmu NeuroEvolution of Augmenting Topologies (zkráceně známého jako NEAT). Dále je představena myšlenka předzpracování, která je v implementovaném výsledku rovněž zahrnuta. Cílem předzpracování je snížení výpočetních nároků pro zpracování datové sady daného klasifikačního problému. Výsledkem této práce je množina experimentů provedených nad datovou sadou pro detekci rakovinných buněk a databází ručně psaných číslic MNIST. Klasifikátory vytvořené pro rakovinné buňky pak dosahují více jak 99% přesnosti a u experimentu MNIST dochází ke snížení výpočetních nároků o více jak 10% se zanesením zanedbatelné chyby o velikosti 0,17%.
|
|
|
Využití Soft Computingu v rámci řízení objednávkového cyklu
Šustrová, Tereza ; Fecenko, Josef (oponent) ; Jurová, Marie (oponent) ; Marček, Dušan (oponent) ; Dostál, Petr (vedoucí práce)
Dizertační práce se zabývá možnostmi využití pokročilých metod rozhodování Soft Computingu při řízení objednávkového cyklu podniku. Hlavním cílem dizertační práce je navržení modelu umělé neuronové sítě s optimální architekturou pro řízení objednávkového cyklu podniku v rámci řízení dodavatelského řetězce. Vytvořený model bude sloužit v organizaci působící v oblasti obchodního podnikání pro zajištění plynulého materiálového toku. Součástí dizertační práce je rovněž konstrukce a ověření modelu umělé neuronové sítě pro predikci prodeje a srovnání výsledků a vhodnosti použití s běžnými a dosud používanými statistickými metodami. Dále se dizertační práce zabývá nalezením vhodné architektury umělé neuronové sítě pro stanovení velikosti objednávky na základě zadaných vstupů. Ke zpracování modelu bylo využito metod statistického zpracování dat, ekonomického modelování, Soft Computingu a poznatků ohledně stavu vědeckého poznání řešené problematiky z posledních let.
|
|
|
Komprese obrazu s využitím umělé neuronové sítě
Vondráček, Jiří ; Pohl, Jan (oponent) ; Jirsík, Václav (vedoucí práce)
Bakalářská práce je zaměřena na kompresi obrazu s využitím umělé neuronové sítě včetně praktické realizace. Jejím cílem je prozkoumat možnosti komprese obrazu umělou neuronovou sítí a vyhodnotit výsledky. V teoretické části je vysvětlen princip umělých neuronových sítí a také jsou zde popsány základní metody komprese obrazu. V praktické části je stručný popis kompresního programu, porovnání různých nastavení a vyhodnocení výsledků.
|
host ::
RSS.