|
|
Detekce paroxysmální fibrilace a flutteru síní
Krmela, Jan ; Němcová, Andrea (oponent) ; Smíšek, Radovan (vedoucí práce)
Tato bakalářská práce se zabývá problematikou fibrilace a flutteru síní, patofyziologií těchto arytmií a jejich automatickou detekcí. Obsahuje teoretický úvod, potřebný k pochopení bazální anatomie srdce, jeho činnosti, vzniku a popisu elektrokardiogramu a kapitolu o srdečních arytmiích. Dále obsahuje rešerši o automatické detekci fibrilace síní. V práci je také popsána databáze, se kterou se pracuje v praktické části. Samotná realizace klasifikace srdečního rytmu a automatické detekce začátků a konců paroxysmálních epizod je provedena v prostředí MATLAB, navrhnutý algoritmus je otestovaný na popisovaných databázích a jsou vyhodnoceny jeho výsledky.
|
|
|
Analýza záznamů bezpečnostních kamer
Ščavnická, Šárka ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Táto práca sa zaoberá systémami na analyzovanie záznamov z bezpečnostných kamier. Cieľom bolo vytvorenie funkčného riešenia, ktoré bude analyzovať záznamy a odpovedať na dotazy od užívateľa. Vytvorený systém kombinuje algoritmus YOLO pre detekciu objektov a DeepSORT na ich následné sledovanie. Celkovo obsahuje päť modelov, ktoré detekujú špecifické situácie. Jednotlivé modely dosiahli počas testovania rôznej úspešnosti, pričom najnižšia úspešnosť bola 58 % a išlo o model detekcie vystúpenia z auta. Najvyššiu úspešnosť, 83 %, dosiahol model na detekciu stretnutia medzi dvomi ľudí.
|
|
|
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.
|
|
|
Využití umělé inteligence v technické diagnostice
Konečný, Antonín ; Huzlík, Rostislav (oponent) ; Zuth, Daniel (vedoucí práce)
Diplomová práce je zaměřena na využití metod umělé inteligence pro vyhodnocení poruchového stavu strojního zařízení. Vyhodnocovaná data jsou z vibrodiagnostického modelu pro simulaci statické a dynamické nevývahy. Aplikovány jsou metody strojového učení, konkrétně učení s učitelem. V práci je popsáno softwarové prostředí Spyder, jeho alternativy, a programovací jazyk Python, ve kterém jsou skripty napsány. Obsahuje přehled s popisem použitých knihoven Scikit-learn, SciPy, Pandas ...) a metod, kterými jsou klasifikace metodou nejbližšího souseda (KNN), metoda podpůrných vektorů (SVM), rozhodovací stromy (DT) a klasifikace metodou náhodného lesa (RF). Výsledky úspěšnosti klasifikace jsou vizualizovány ve výsledné klasifikační matici pro každou metodu. Součástí přílohy jsou napsané skripty pro zpracování a výpočet prediktorů, hledání nejvhodnějších parametrů modelu, hodnocení úspěšnosti učení a klasifikace s vizualizací výsledku.
|
|
|
Klasifikace emailové komunikace
Piják, Marek ; Herout, Adam (oponent) ; Szőke, Igor (vedoucí práce)
Tato diplomová práce se zabývá vytvořením klasifikátoru, který bude schopen rozpoznat emailovou zprávu společnosti Topefekt.s.r.o a zařadit ji do korespondující klasifikační třídy. Tento projekt bude využívat řadu nejpoužívanějších klasifikačních metod včetně strojového učení. Jako součást této práce bude i ohodnocení úspěšnosti jednotlivých metod.
|
|
|
Bonitní a bankrotní modely
ONDOKOVÁ, Lucie
Hlavním cílem diplomové práce bylo porovnat vliv rozdílných metodik hodnocení finančního zdraví a předpovědi úpadku na klasifikaci podniku. Práce se zabývá využitelností modelů na vzorku 45 prosperujících a 45 neprosperujících podniků, které jsou v insolvenčním řízení. Výběrový soubor tvoří 33 % podniků z odvětví stavebnictví, 33 % podniků z odvětví velkoobchodu a maloobchodu, 16,7 % podniků zpracovatelského průmyslu a 16,7 % podniků z ostatních odvětví, převážně služeb. V metodice se využívá speciálního typu kontingenční tabulky klasifikační matice, pomocí které lze vypočítat senzitivitu, specificitu, falešnou negativitu, falešnou pozitivitu, správnost, chybovost a další klasifikační statistiky. Celkovou úspěšnost modelu lze získat rozdílem správnosti a chybovosti. Závislosti mezi modely se vypočítaly pomocí Pearsonova korelačního koeficientu. Změny (odstranění šedé zóny a hledání nových optimálních mezí) v modelech byly testovány analýzou citlivosti. V praktické části se vypočítalo 12 finančních modelů (Altmanovy modely Z´ a Z´´, indexy IN99, IN01 a IN05, Kralickův Quicktest, Zmijewskiho model, dvě varianty Tafflerova modelu, Index bonity, Grünwaldův index bonity, Bilanční analýza I). Pouze dva poměrové ukazatele (rentabilita aktiv a tržby ku aktivům) měly významný podíl na výsledcích ve více než jednom modelu. Poté byly jednotlivé podniky klasifikovány prostřednictvím modelů. Z výsledků vyplývá, že největší míru úspěšnosti klasifikace dosáhly model Zmijewski a Altmanův model Z´´. Na druhou stranu nejhůře dopadly index IN99 a obě verze Tafflerova modelu. Z hlediska příčin neměly na klasifikaci velký vliv extrémní hodnoty modelů, stáří modelu nebo země původu modelu (pracovní hypotéza 1). Na základě výsledků bylo dále zjištěno, že úspěšnost klasifikace finanční tísně je vyšší u většiny modelu 3 roky před vyhlášením úpadku (pracovní hypotéza 2). Dále bylo zjištěno, že odvětví sledovaných podniků výrazně ovlivňuje úspěšnost klasifikace bonitních i bankrotních modelů. Nakonec byly navrženy změny v modelech nejhůře hodnocených modelů na základě analýzy citlivosti. Všechny tři navržené změny zvýšily úspěšnost klasifikace modelů.
|
|
|
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.
|
|
|
Srovnání vybraných klasifikačních metod pro vícerozměrná data
Stecenková, Marina ; Řezanková, Hana (vedoucí práce) ; Berka, Petr (oponent)
Cílem této diplomové práce je srovnání vybraných klasifikačních metod, a to logistické regrese (binární a multinomické), vícevrstvého perceptronu a klasifikačních stromů CHAID a CRT. V první části je připomenut teoretický základ těchto metod a vysvětlena podstata parametrů modelu. V další části jsou na šesti datových souborech aplikovány výše uvedené klasifikační metody a následně porovnány výstupy těchto metod. Důraz je kladen zejména na hodnocení diskriminační síly modelů. Této problematice je věnována samostatná kapitola. Hodnocení diskriminační síly modelu je založeno na celkové úspěšnosti, F-míře a velikosti plochy pod ROC křivkou. Přínosem práce není pouze srovnání vybraných klasifikačních metod na základě statistik hodnotících diskriminační sílu modelů, ale také celkový přehled o přednostech a nedostatcích jednotlivých metod.
|
|
|
Míry kvality klasifikačních modelů a jejich převod
Hanusek, Lubomír ; Hebák, Petr (vedoucí práce) ; Řezanková, Hana (oponent) ; Skalská, Hana (oponent)
Prediktivní sílu klasifikačních modelů lze vyhodnotit různými ukazateli. V oblasti data miningu (dále DM) se nejvíce využívají míry Giniho koeficient, Kolmogorovova-Smirnovova statistika a lift. Tyto míry jsou založeny na zcela rozdílném způsobu výpočtu a je-li analytik zvyklý používat jednu z těchto měr, může být pro něj těžké udělat si představu o kvalitě modelu vyhodnoceném jinou mírou. Tato práce si klade za cíl nalézt mezi jednotlivými mírami převodní mechanismus. Přestože hlavní důraz je kladen na tři výše uvedené míry, práce se zabývá i dalšími ukazateli, a to sensitivitou, specificitou, celkovou správností a plochou pod ROC křivkou. Při vývoji DM modelů často vzniká potřeba pracovat nikoli s původním základním souborem o rozsahu miliónů či desítek miliónů pozorování, ale s výběrem, který je stratifikovaný dle hodnot vysvětlované proměnné Y. Vyhodnotí-li se pak model na stratifikovaných datech, vzniká potřeba vědět, jak se jednotlivé míry změní při přepočtu na základní soubor. Tato práce popisuje způsob, jak tento převod uskutečnit. Součástí této práce je i softwarová aplikace, která výše uvedené převody umožňuje. S její pomocí lze nejen převádět jednu míru kvality na druhou, ale také převádět míry získané na stratifikovaném souboru na soubor základní. Výstupem této aplikace je vedle požadovaných měr (sensitivita, specificita, celková správnost, Giniho koeficient, Kolmogorovova-Smirnovova statistika) také konfuzní matice a grafy kvality (lift křivka, gains křivka, ROC křivka a KS křivka). Internetová adresa, kde lze aplikaci stáhnout, a také uživatelský manuál k této aplikaci jsou součástí této práce. Veškerá teorie popsaná v této práci byla ověřena na reálných datových souborech.
|
host ::
RSS.