|
|
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.
|
|
|
Klasifikace hudebních souborů pomocí strojového učení
Sládek, Matyáš ; Smrčka, Aleš (oponent) ; Janoušek, Vladimír (vedoucí práce)
Tato práce se zabývá klasifikací hudebních souborů pomocí algoritmů strojového učení. V práci bylo porovnáno sedm klasifikačních algoritmů z hlediska úspěšnosti klasifikace a rychlosti zpracování na třech datových sadách. Využity byly dvě metody pro extrakci atributů, dvě metody pro selekci atributů a dvě metody optimalizace parametrů. Nejvíce se osvědčil model XGBClassifier, který dosáhl úspěšnosti klasifikace 87.56 % na datové sadě Extended Ballroom Dataset, 64.56 % na datové sadě FMA: A Dataset For Music Analysis a 83.50 % na datové sadě GTZAN. Tento model může být využit při tvorbě seznamů skladeb či kategorizaci hudební databáze.
|
|
|
Výběr příznaků metodou Dynamická vzájemná informace
Manga, Marek ; Klusáček, Jan (oponent) ; Honzík, Petr (vedoucí práce)
V této práci je proveden rozbor a diskutována problematika implementace metody pro výběr příznaků s názvem Dynamická vzájemná informace (DMIFS). Při studiu popisu DMIFS bylo nalezeno několik nesrovnalostí, které neumožňují úplně napodobit původní algoritmus, proto výsledky DMIFS implementované v rámci této práce byly porovnány s výsledky z článku, kde byla DMIFS publikována. Bylo zjištěno, že implementovaná DMIFS dosahuje podobných výsledků, jako metoda původní. Dále se práce zabývá návrhem dvou nových metod vycházejících z principu DMIFS. První metoda s názvem DmRMR vznikla spojením mRMR a DMIFS. Provedené testy potvrzují lepší výkonnost DmRMR, než jakou má DMIFS je ale méně stabilní. Druhá metoda s názvem WDMIFS je váhovanou variantou DMIFS fungující na bázi AdaBoost. U této metody nedošlo ke zlepšení výkonu. Na závěr je vypracován návod pro implementaci DMIFS do prostředí Weka a RapidMiner.
|
|
|
Vliv selekce příznaků metodou HFS na shlukovou analýzu
Malásek, Jan ; Klusáček, Jan (oponent) ; Honzík, Petr (vedoucí práce)
Diplomová práce se zabývá shlukovou analýzou. Shlukování má své základy v mnoha oblastech lidského vědění zahrnujících získávání dat, statistiku, biologii a strojové učení. Hlavní náplní práce je zpracování rešerše metod shlukové analýzy, metod pro stanovení počtu shluků a stručný přehled metod selekce příznaků v úlohách bez učitele. Neméně důležitou součástí je realizace softwaru pro porovnání různých metod shlukové analýzy se zaměřením na úspěšnost při stanovování počtu shluků a řazení jednotlivých instancí do správných tříd. Součástí programu je implementace metody selekce příznaků HFS. Experimentální ověření metod proběhlo ve vývojovém prostředí Matlab. Ve svém závěru diplomová práce porovnává úspěšnost shlukovacích metod na datech se známými výstupními třídami a posuzuje přínos metody selekce příznaků HFS v úlohách bez učitele pro úspěšnost shlukové analýzy
|
|
|
Predikce povahy spamových krátkých textů textovým klasifikátorem
Drápela, Karel ; Křena, Bohuslav (oponent) ; Šimková, Hana (vedoucí práce)
Práce se zabývá kategorizací krátkých spamových textů v SMS zprávách. V první části práce jsou shrnuty aktuální přístupy k textové klasifikaci a následuje popis nejpoužívanějších klasifikátorů. V dalších kapitolách je rozebrána anotace testovacích dat, implementace programu a výsledky klasifikace. Program je schopen klasifikovat texty na základě definovaných kategorií a také odhadnout přesnost klasifikátoru na trénovací sadě. Pro dva navržené typy kategorií dosahuje klasifikátor přesnosti až 82% a 92%. Předzpracování i výběr příznaků měly na přesnost pozitivní vliv. Přesnost je dále možné zvýšit odstraněním části vzorků, které má klasifikátor největší problémy zařadit. Při 80% pokrytí je možné zvýšit přesnost o 8-10%.
|
|
|
Chytrá domácnost: učení rutin
Junák, Petr ; Bažout, David (oponent) ; Materna, Zdeněk (vedoucí práce)
Tato práce se zaměřuje na návrh, vývoj a implementaci inovativního chytrého systému, který využívá data o spánkovém režimu uživatele a strojové učení pro inteligentní ovládání světel v domácnosti. Hlavním cílem je zlepšení kvality spánku uživatele prostřednictvím optimalizace expozice světla, zejména snížením expozice studenému dennímu světlu před spánkem. Práce se vyznačuje důrazem na využití snadno dostupných dat, cenově dostupných hardwarových zařízení a open-source technologií. Jako primární zdroj dat byly využity chytré hodinky FitBit Charge 5, které poskytují podrobné informace o spánkových vzorcích uživatele. Vytvořený model strojového učení, konkrétně lineární regrese, je hostován na platformě Raspberry Pi, která také slouží jako centrální jednotka pro ovládání světel a řízení celkového systému. Kromě ovládání světla systém také podporuje zasílání upozornění uživateli o blížící se doporučené době začátku spánku, což přispívá k celkovému zlepšení spánkové hygieny a kvality spánku.
|
|
| |
|
|
Artificial Neural Networks and Their Usage For Knowledge Extraction
Petříčková, Zuzana ; Mrázová, Iveta (vedoucí práce) ; Procházka, Aleš (oponent) ; Andrejková, Gabriela (oponent)
Název práce: Umělé neuronové sítě a jejich využití při extrakci znalostí Autor: RNDr. Zuzana Petříčková Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí disertační práce: doc. RNDr. Iveta Mrázová, CSc., Katedra teo- retické informatiky a matematické logiky Abstrakt: Vrstevnaté neuronové sítě jsou známé především díky své schopnosti dobře zobecňovat a odhalit v datech i složité nelineární závislosti. Na druhé straně má tento model tendenci vytvářet poměrně složitou vnitřní strukturu, a to především pro rozsáhlé datové sady. Při efektivním řešení náročných úloh jsou proto kladeny vysoké nároky především na rychlost procesu učení, schopnost sítě zobecňovat a na vytvoření jednoduché a transparentní struktury modelu. V této práci jsme navrhli obecnou metodologii pro učení vrstevnatých neuro- nových sítí. Jejím základem je rychlá a robustní metoda škálovaných konjugo- vaných gradientů. Tento standardní algoritmus učení je rozšířen o analytické či aproximativní oslabování citlivosti a o vynucovaní kondenzované interní re- prezentace. Redundantní vstupní a skryté neurony jsou prořezávány pomocí technik založených na citlivostní analýze a interní reprezentaci znalostí....
|
|
|
Feature Selection for Factored Phrase-Based Machine Translation
Tamchyna, Aleš ; Bojar, Ondřej (vedoucí práce) ; Popel, Martin (oponent)
V předkládané práci zkoumáme problematiku faktorových modelů ve strojovém překladu. Podáváme důkladný teoretický popis této oblasti strojového překladu. Popisujeme metodu sloužící ke zkoumání složitosti faktorových modelů a ověřujeme její fungování v praxi. Představujeme softwarový nástroj pro automatické vytváření experimentů strojového překladu a pro prohledávání prostoru možných konfigurací. V experimentální části pak ověřujeme svoje analýzy a podáváme obraz možností faktorových systémů. Naznačujeme směry, kterými lze dosáhnout zlepšení kvality strojového překladu, avšak shledáváme, že tyto možnosti nelze zkoumat zcela automaticky.
|
|
| |
host ::
RSS.