|
|
Využití umělé inteligence ve vibrodiagnostice
Dočekalová, Petra ; Huzlík, Rostislav (oponent) ; Zuth, Daniel (vedoucí práce)
Diplomová práce pojednává o strojovém učení, expertních systémech, fuzzy logice, genetických algoritmech, neuronových sítích a teorii chaosu, které spadají do kategorie umělé inteligence. Cílem práce je popsat a implementovat tři různé klasifikační metody, podle kterých bude zpracován soubor dat. Pro aplikaci dat bylo zvoleno SW prostředí GNU Octave z licenčních důvodů. Dále vyhodnotit úspěšnost klasifikace dat včetně vizualizace. Pro srovnání jsou použity tři různé klasifikační metody, abychom mohli zpracovaná data mezi sebou porovnávat.
|
|
|
Možnosti volně dostupné umělé inteligence
Ostrý, Lubomír ; Kumpán, Pavel (oponent) ; Appel, Martin (vedoucí práce)
Tato práce je zaměřena na volně dostupné nástroje a zdroje z oblasti umělé inteligence, konkrétně z odvětví machine learning. Jejím úkolem je prozkoumat současný stav, možnosti a omezení práce s open source programy umělé inteligence. První část práce popisuje vybrané základní pojmy týkající se machine learningu zejména neuronové sítě, jejich učení a využití. Další sekce se zaměřuje na nástroje pro machine learning, jsou zde popsány charakteristiky jednotlivých programů, kompatibilita a jejich využití. Zdroje volně přístupných dat pro učení neuronových sítí jsou tématem další z kapitol. Na ukázku byl vytvořen program používající některé z popsaných nástrojů demonstrující jejich možnosti a využití.
|
|
|
Hraní her pomocí neuronových sítí
Buchal, Petr ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je naučit neuronovou síť pohybu v prostředích s klasickou kontrolou řízení, hraní tahové hry 2048 a několika Atari her. Jedná se o oblast zpětnovazebního učení. Jako zpětnovazební algoritmus využívající neuronové sítě jsem použil Hluboké Q-učení. Ten jsem pro zvýšení efektivity učení obohatil o několik vylepšení. Mezi vylepšení patří přidání cílové sítě, DDQN, duální architektura neuronové sítě a prioritní vzpomínková paměť. Experimenty s klasickou kontrolou řízení zjistily, že nejvíce zvedá efektivitu učení přidání cílové sítě. V prostředích her dosáhlo Hluboké Q-učení několikanásobně lepších výsledků než náhodný hráč. Výsledky a jejich analýza mohou být využity ke vhledu do problematiky zpětnovazebních algoritmů využívajících neuronové sítě a zdokonalení použitých postupů.
|
|
|
Přehled současných přístupů ke klasifikacím
Brezánský, Tomáš ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Táto bakalárska práca sa zaoberá prehľadom súčasných prístupov ku klasifikáciám. Popisuje rôzne prístupy ku klasifikáciám a ich algoritmy, zameriava sa na neuronové siete, bayesové klasifikátory a rozhodovacie stromy. Hlavnou úlohou tejto prace je vykonať experimenty s tromi klasifikačnými algoritmami, konkrétne sú to, algoritmus ID3, RCE neurónová sieť a naivný bayesov klasifikátor. Práca obsahuje experimenty s danými algoritmami a vyhodnocuje získané výsledky.
|
|
|
Popis vazby průtoků a plavenin ve vybraných profilech vodních toků
Bobková, Dominika ; Janál,, Petr (oponent) ; Marton, Daniel (vedoucí práce)
Problematika vztahu mezi průtokem a koncentrací plavenin je celosvětově velmi řešené téma. Se znalostí koncentrací plavenin v tocích se dá vyhnout problémům s nadměrným zanášením vodních děl a předcházet tak nedostatečné kapacitě vodních nádrží. Tato diplomová práce částečně navazuje na bakalářskou práci, kterou rozšiřuje a zavádí nové postupy. K analýze vztahu mezi průtokem a koncentrací plavenin jsou využity neuronové sítě, přesněji vícevrstvé perceptronové neuronové sítě. Výsledky sítí jsou následně zpracovávány v programu Excel do podoby grafů a hodnoceny pomocí koeficientu determinace, Nash-Sutcliffova koeficientu a koeficientu RMSE. Praktická aplikace je řešena na dvou profilech – profilu Podhradí nad Dyjí a profilu Židlochovice. Každý profil je zkoumán v jiném časovém období.
|
|
|
Klasifikace cévního řečiště na snímcích sítnice
Tebenkova, Iuliia ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Analýza snímků sítnice má důležitý význam, protože člověk získá kolem 90 % informací z okolí přes oči. Automatizace procesů analýzy zobrazení sítnice přispívá ke zlepšení efektivity lékařských retinálních vyšetření. Tato diplomová práce se zabývá automatickými metodami klasifikace snímků cévního řečiště retiny pořízených digitální fundus kamerou. Je prozkoumána a implementována metoda klasifikace cévního řečiště s použitím klasifikátoru na základě neuronových sítí, které se trénují a pak se testují na úsecích cév retinálního řečiště. Ve stručnosti je v této práci popsán anatomický pohled na sítnici, vlastnosti obrazových dat z digitální fundus kamery a metody klasifikace retinálních snímků. Poslední kapitola se zabývá hodnocením úspěšnosti klasifikace cévního řečiště automatickými metodami.
|
|
|
Vyhledávání osob ve fotografii
Svoboda, Pavel ; Žák, Pavel (oponent) ; Švub, Miroslav (vedoucí práce)
Základem rozpoznávání lidí ve fotografii je obecně počítačové vidění, které poskytuje metody a algoritmy pro samotnou implementaci. Některé z nich popisuje právě tato práce. Celý proces rozpoznávání lidí je zpracován do tří fází. Těmi jsou detekce, zarovnání detekovaného obličeje a konečně jeho rozpoznání. Ke každé fázi jsou zmíněny algoritmy, které se v dané problematice používají a jenž jsou ze současného pohledu stále vyvíjeny. V implementaci tvoří páteř systému 3 základní algoritmy, mezi které patří AdaBoost pro získání klasifikátoru k detekci, metoda zarovnání obličeje na základě markantních rysů a metoda Eigenfaces k samotnému rozpoznávání. Teoreticky jsou rozebrány mimo výše uvedené i neuronové sítě pro detekci, ASM - Active Shape Models pro zarovnání a AAM - Active Appearance Model pro rozpoznávání. Závěrem nechybí tabulky dat vyhodnocující implementaci.
|
|
|
Aplikace posilovaného učení při řízení modelu vozidla
Maslowski, Petr ; Uhlíř, Václav (oponent) ; Šůstek, Martin (vedoucí práce)
Tato práce se zabývá vytvořením autonomního agenta pro řízení modelu vozidla. Rozhodování agenta je řízeno pomocí posilovaného učení (reinforcement learning) s využitím neuronových sítí. Agent získává snímky z přední kamery vozidla a na základě jejich interpretace vybírá vhodné akce pro řízení vozidla. V rámci práce jsem navrhl několik funkcí odměn a s vytvořenými modely jsem experimentoval úpravou hyperparametrů. Výsledný agent pak simuluje řízení vozidla na silnici. Výsledek této práce ukazuje možný přístup k ovládání autonomního vozidla, které se učí řídit metodou strojového učení v simulátoru CARLA.
|
|
|
Řízení entit ve strategické hře založené na multiagentních systémech
Knapek, Petr ; Kočí, Radek (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zaměřuje na návrh a implementaci systému podpory učení a plánování agentů schopných hry real-time strategických her typu StarCraft. Budou vysvětleny problémy ovládání herních objektů a protivníků počítačem a představeny obvykle používané způsoby řešení. Na základě analýzy je navržen a implementován nový systém využívající multiagentního přístupu k ovládání hry a metod strojového učení, který je schopný porážet protivníky a přizpůsobovat se novým výzvám.
|
|
|
Facial image restoration
Bako, Matúš ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
In this thesis, I tackle the problem of facial image super-resolution using convolutional neural networks with focus on preserving identity. I propose a method consisting of DPNet architecture and training algorithm based on state-of-the-art super-resolution solutions. The model of DPNet architecture is trained on Flickr-Faces-HQ dataset, where I achieve SSIM value 0.856 while expanding the image to four times the size. Residual channel attention network, which is one of the best and latest architectures, achieves SSIM value 0.858. While training models using adversarial loss, I encountered problems with artifacts. I experiment with various methods trying to remove appearing artefacts, which weren't successful so far. To compare quality assessment with human perception, I acquired image sequences sorted by percieved quality. Results show, that quality of proposed neural network trained using absolute loss approaches state-of-the-art methods.
|
host ::
RSS.