|
|
Cooled EGR system loop architecture for gasoline engines
Pospíšil, Juraj ; Svída, David (oponent) ; Bazala, Jiří (vedoucí práce)
This master s thesis is focused on proving the effects of different exhaust gas recirculation architectures on turbocharged gasoline engines. Simulations were made in thermodynamic simulation software GT-Power. It starts with comparing the effects of different exhaust gas recirculation architectures on the steady-state simulations, mainly from the fuel consumption aspect, which are later implemented into the transient models running emission test cycles. At the end of the thesis are described impacts of exhaust gas recirculation on the function of three-way catalyst and function of the turbocharger.
|
|
|
Optimalizace strojového učení pro predikci KPI
Haris, Daniel ; Burget, Radek (oponent) ; Bartík, Vladimír (vedoucí práce)
Cieľom tejto práce je optimalizácia strojového učenia pre predikciu KPI metrík pre jednu organizáciu. Organizácia predpovedá oneskorenie termínov ukončenia poslednej fázy projektov v procese vývoja pomocou strojového učenia. Práca sa zameriava na analýzu predikčných modelov a stanoví si za cieľ vybrať nové kandidátne modely na predikciu. V rámci práce sme implementovali systém, ktorý automaticky vyberie najlepšie rysy pre učenie. Naučené modely sme vyhodnotili pomocou rôznych výkonnostných metrík a vybrali najlepšie kandidátne modely. Kandidátne modely majú vyššiu presnosť predpovede, čo pre organizáciu znamená, že sa zvýšila dôveryschopnosť predpovede oneskorenia. V závere práce sme navrhli ďalšie vylepšenia, ktoré by mohli zvýšiť presnosť predpovede.
|
|
|
Ensemble learning methods for scoring models development
Nožička, Michal ; Witzany, Jiří (vedoucí práce) ; Cipra, Tomáš (oponent)
Kreditní skóring je velmi důležitý proces používaný v oblasti bankovnictví, během něhož je každému potenciálnímu nebo stávajícímu klientovi přiřazena hodnota kreditního skóre, které určitým způsobem vyjadřuje pravděpodobnost defaultu klienta, tj. neschopnost klienta dostát svým závazkům včas nebo v plné výši. Ke kreditnímu skóringu se tradičně využívají statistické modely (jako např. model logistické regrese). Navzdory mnoha výhodám, které takovýto přístup poskytuje, nejnovější výzkum ukazuje mnoho alternativních přístupů, které jsou v některých ohledech lepší než tradiční statistické modely. Tato diplomová práce je zaměřena na představení ensemble learning modelů (zejména těch konstruovaných pomocí algoritmů bagging, boosting a stacking) za použití různých základních modelů (zejména modelu logistické regrese, modelu náhodných lesů, support vector machines modelu a modelu umělých neuronových sítí) jako možných alternativ k tradičním statistickým modelům, které jsou obvykle používány pro kreditní skóring, a vzájemně porovnává jejich výhody a nevýhody. Přesnost a prediktivní síla těchto skóringových modelů je zkoumána pomocí měr přesnosti a prediktivní síly standardně používaných v oblasti kreditního skóringu (zejména GINI a LIFT koeficientů) na reálných datech a obdržené výsledky jsou prezentovány. Hlavní...
|
|
|
Koncepty strojového učení pro kategorizaci objektů v obrazu
Hubený, Marek ; Honec, Peter (oponent) ; Horák, Karel (vedoucí práce)
Tato práce se zabývá problémem rozpoznávání objektů a scén pomocí nástrojů strojového učení a počítačového vidění. Před řešením tohoto problému byly prostudovány základní fáze konceptu strojového učení a statistické modely s důrazem na jejich rozdělení na diskriminativní a generativní metody. Dále byla prostudována a popsána metoda Bag-of-words a její modifikace. V praktické části práce byla v prostředí Matlab vytvořena implementace metody Bag-of-words s SVM klasifikátorem a daný model byl prověřen na různých množinách veřejně dostupných obrazů.
|
|
|
Methods for class prediction with high-dimensional gene expression data
Šilhavá, Jana ; Matula, Petr (oponent) ; Železný, Filip (oponent) ; Smrž, Pavel (vedoucí práce)
This thesis deals with class prediction with high-dimensional gene expression data. During the last decade, an increasing amount of genomic data has become available. Combining gene expression data with other data can be useful in clinical management, where it can improve the prediction of disease prognosis. The main part of this thesis is aimed at combining gene expression data with clinical data. We use logistic regression models that can be built through various regularized techniques. Generalized linear models enable us to combine models with different structure of data. It is shown that such a combination may yield more accurate predictions than those obtained based on the use of gene expression or clinical data alone. Suggested approaches are not computationally intensive. Evaluations are performed with simulated data sets in different settings and then with real benchmark data sets. The work also characterizes an additional predictive value of microarrays. The thesis includes a comparison of selected features of gene expression classifiers built up in five different breast cancer data sets. Finally, a feature selection that combines gene expression data with gene ontology information is proposed.
|
|
|
Detekce objektů v obraze
Ptáček, Tomáš ; Šiler, Ondřej (oponent) ; Švub, Miroslav (vedoucí práce)
Tato práce pojednává o problematice detekce objektů a popisuje teoretická východiska detekce založené na boostingu, algoritmu AdaBoost a Haarových příznacích v roli slabých klasifikátorů. Dále se tato práce zabývá návrhem a implementací trénovací a detekční aplikace založené na knihovnách OpenCV a wxWidgets. K závěru popisuje test trénování a detekce obličejů provedený v implementované aplikaci.
|
|
|
Boosting a evoluční algoritmy
Mrnuštík, Michal ; Juránek, Roman (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce představuje kombinaci AdaBoostu a evolučního algoritmu. Evoluční algoritmus je použit pro hledání lineární kombinace Haarových příznaků. Z té je vytvořen slabý klasifikátor pro AdaBoost. Jsou zde popsány základy klasifikace, Haarovy příznaky a Adaboost. Uvedeny jsou také základní informace o evolučních algoritmech. Dále obsahuje teoretický popis spojení AdaBoostu a evolučního algoritmu, doplněný o některé implementační detaily. Implementace je testována na obrazových datech jako součást systému pro detekci obličeje. Výsledky jsou porovnány se samostatnými Haarovými příznaky.
|
|
|
Grafické a video příznaky v rozpoznávání mluvčího
Fér, Radek ; Matějka, Pavel (oponent) ; Černocký, Jan (vedoucí práce)
Tato práce popisuje netradiční metodu rozpoznávání řečníka pomocí příznaků a alogoritmů používaných převážně v počítačovém vidění. V úvodu jsou shrnuty potřebné teoretické znalosti z oblasti počítačového rozpoznávání. Jako aplikace grafických příznaků v rozpoznávání řečníka jsou detailněji popsány již známé BBF příznaky. Tyto jsou vyhodnoceny nad standardními řečovými databázemi TIMIT a NIST SRE 2010. Experimentální výsledky jsou shrnuty a porovnány se standardními metodami. V závěru jsou jsou navrženy možné směry budoucí práce.
|
|
|
Implementace obrazových klasifikátorů v FPGA
Kadlček, Filip ; Puš, Viktor (oponent) ; Fučík, Otto (vedoucí práce)
Práce je zaměřena na obrazové klasifikátory a jejich implementaci v FPGA. Klasifikátory dělí na dvě skupiny - slabé a silné klasifikátory. Ve skupině silných klasifikátorů se zaměřuje především na AdaBoost. Ve skupině slabých klasifikátorů jsou probrány základní příznakové klasifikátory, jakými jsou například klasifikátory založené na Haarových nebo Gaborových vlnkách, ale především je kladen důraz na klasifikátory LBP, LRP a LR. Naposled uvedené klasifikátory jsou vhodné pro implementaci v FGPA. Na základě těchto klasifikátorů je navržena pseudo-paralelní architektura. Architektura uvažuje provedení klasifikace v FPGA a následné zpracovávání výsledků v počítači. Navržený klasifikátor je velmi rychlý a každý hodinový cyklus produkuje výstup klasifikace.
|
|
|
AdaBoost v počítačovém vidění
Hradiš, Michal ; Zemčík, Pavel (oponent) ; Potúček, Igor (vedoucí práce)
V této diplomové práci jsou představeny nové obrazové příznaky "local rank differences" (LRD). Tyto příznaky jsou invariantní vůči změnám osvětlení a jsou vhodné k implementaci detektorů objektů v programovatelném hardwaru, jako je například FPGA. Chování klasifikátorů s LRD vytvořených pomocí algoritmu AdaBoost bylo otestováno na datové sadě pro detekci obličejů. LRD v těchto testech dosáhly výsledků srovnatelných s výsledky klasifikátorů s Haarovými příznaky, které jsou používány v nejlepších současných detektorech objektů pracujících v reálném čase. Tyto výsledky ve spojení s faktem, že LRD je možné v FPGA vyhodnocovat několikanásobně rychleji než Haarovy příznaky, naznačují, že by LRD příznaky mohly být řešením pro budoucí detekci objektů v hardwaru. V této práci také prezentujeme nástroj pro experimenty s algoritmy strojového učení typu boosting, který je speciálně uzpůsoben oblasti počítačového vidění, je velmi flexibilní, a přitom poskytuje vysokou efektivitu učení a možnost budoucí paralelizace výpočtů. Tento nástroj je dostupný jako open source software a my doufáme, že ostatním ulehčí vývoj nových algoritmů a příznaků.
|
host ::
RSS.