|
|
Evoluční model s učením (LEM) pro optimalizační úlohy
Grunt, Pavel ; Vašíček, Zdeněk (oponent) ; Schwarz, Josef (vedoucí práce)
Tato práce se zabývá evolučním modelem s učením, relativně novou evoluční optimalizační metodou používající klasifikační algoritmy. Její optimalizační průběh je řízen dle charakteristiky rozdílu skupiny nejlepších od skupiny nejhorších řešení v populaci. Práce blíže představuje nové verze metody s klasifikačními algoritmy AdaBoost, SVM a také způsob využívání většího počtu skupin řešení. Kvality metod byly ověřovány na řadě experimentů ve statickém i dynamickém prostředí. Výsledky experimentů ukázaly, že metoda dosahuje nejlepších hodnot při menších velikostech skupin. Při srovnání s EDA (Estimation of Distribution Algorithm) optimalizačním algoritmem varianty evolučního modelu s učením dosahovaly srovnatelných a lepších výsledků rychleji. Celkově nejlépe si vedla varianta kombinující klasifikátory AdaBoost a SVM.
|
|
|
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.
|
|
| |
|
|
Nástroj pro predikci atributů životního stylu na základě metagenomických dat z tlustého střeva
Kubica, Jan ; Hon, Jiří (oponent) ; Smatana, Stanislav (vedoucí práce)
Tato práce se zabývá analýzou lidského mikrobiomu na základě metagenomických dat z tlustého střeva. Předmětem zkoumání je zastoupení bakterií na různých taxonomických úrovních v závislosti na životním stylu jedince. Byl vytvořen nástroj klasifikující jednotlivé atributy, jako jsou stravovací návyky (vegetarián, vegan, všežravec), citlivost na lepek a laktózu, body mass index nebo věk či pohlaví, s využitím metod strojového učení. Při implementaci byly zvoleny metody k nejbližších sousedů (kNN), náhodný les (RF) a metoda podpůrných vektorů (SVM). Data pro natrénování klasifikátoru a vyhodnocení byla čerpána z projektu American Gut. Práce se rovněž zaobírá problémy spojenými s danými datovými sadami, jako je mnoharozměrnost, řídkost, jejich kompoziční závislost a nevyváženost.
|
|
|
Vliv parcelačního atlasu na kvalitu klasifikace pacientů s neurodegenerativním onemocněním
Montilla, Michaela ; Lamoš, Martin (oponent) ; Gajdoš, Martin (vedoucí práce)
Cílem práce je definice vztahu závislosti klasifikace pacientů postižených neurodegenerativním onemocněním na volbě parcelačního atlasu. Součástí práce je aplikace analýzy funkční konektivity a výpočtu grafových metrik dle metody publikované Olafem Spornsem a Mikailem Rubinovem [1] na fMRI datech naměřených na CEITEC MU. Aplikaci předchází teoretická rešerše parcelačních atlasů pro segmentování mozku ze snímků fMRI a rešerše matematických metod klasifikace, jako i klasifikátorů neurodegenerativních onemocnění. První kapitoly práce přináší teoretický základ poznatkůl z oblasti magnetické a funkční magnetické rezonance. Definovány jsou fyzikální principy metody, podmínky a průběh akvizice obrazových dat. Třetí kapitola shrnuje grafové metriky použité dále v diplomové práci pro analýzu a klasifikování grafů. Práce přináší stručný přehled parcelačních metod, se zaměřením na parcelaci pomoci atlasů. Po teoretické rešerši metod zkoumání funkční konektivity a matematických metod klasifikací, byly poznatky použity pro realizaci parcelací, výpočet grafových metrik a následnou klasifikaci fMRI snímků 96 subjektů vždy do jedné ze dvou tříd s využitím binárních klasifikátocí metodou podpůrných vektorů a lineární diskriminační analýzy. Data klasifikována v této práci byla naměřena na pacientech s Parkinsonovou chorobou (PD), s Alzheimerovou chorobou (AD), s Mírní kognitivní poruchou (MCI), s kombinací nemocí PD a MCI a na subjektech patřících do kontrolní skupiny zdravých jedinců. Pro předzpracování a pro analýzu je v práci využito prostředí MATLAB a toolboxy SPM12 a Brain Connectivity Toolbox.
|
|
|
Detekce roztroušené sklerózy
Kopuletý, Michal ; Mangová, Marie (oponent) ; Uher, Václav (vedoucí práce)
Tato práce je zaměřena na detekování lézí roztroušené sklerózy ze snímků magnetické rezonance. Správně vyhledané léze jsou velice důležité pro stanovení lékařské diagnózy. Detekce lézí pomocí metod strojového učení je poměrně náročná z důvodů velké proměnlivosti velikosti, tvaru a pozice lézí v mozku. V praktické části práce je navržen základ softwaru, jenž bude po dokončení klasifikovat obrazové body, tak aby bylo možné vyhledat ložiska roztroušené sklerózy. Pro klasifikaci bude využita metoda podpůrných vektorů. Teoretická část pak popisuje roztroušenou sklerózu, základy operací prováděných s biomedicínskými obrazy a klasifikaci dat.
|
|
|
Rozpoznání displeje embedded zařízení
Novotný, Václav ; Janáková, Ilona (oponent) ; Honec, Peter (vedoucí práce)
Tato diplomová práce se zabývá využitím metod strojového učení v oblasti počítačového vidění pro klasifikaci neznámých obrazů. V první části je provedena rešerše dostupných metod strojového učení, jejich limitace a vhodnost k řešené úloze. V další části jsou představeny přístupy k vytváření galerie. Následně je navrhnuto řešení klasifikátorů a architektury systému, které je v řešení realizováno a implementováno. Výsledný systém je nakonec otestován a vyhodnocen.
|
|
|
Processing of image sequences from fundus camera
Klimeš, Filip ; Odstrčilík, Jan (oponent) ; Kolář, Radim (vedoucí práce)
The aim of my master's thesis was to propose a method of retinal sequence analysis which will evaluate the quality of each frame. In the theoretical part, I will also deal with the properties of retinal sequences and the way of registering the images of the fundus camera. In the practical part the method of evaluating image quality is implemented. This algorithm is tested on real retinal sequences and its success is assessed. This work also evaluates the impact of proposed method on the registration of retinal images.
|
|
| |
|
|
Rozpoznávání hudební nálady a emocí za pomoci technik Music Information Retrieval
Smělý, Pavel ; Mucha, Ján (oponent) ; Kiska, Tomáš (vedoucí práce)
Tato práce se zabývá oblastí Music Information Retrieval, přesněji její podoblastí zaměřující se na rozpoznávání hudebních emocí s názvem Music Emotion Recognition. Počáteční kapitoly práce se věnují obecnému přehledu a definici MER, kategorizaci jednotlivých metod a nabízejí tak komplexní pohled na tuto vědní disciplínu. Práce se dále zabývá výběrem a popisem vhodných parametrů pro rozpoznávání emocí, k čemuž využívá nástroje openSMILE a MIRtoolbox. K získání databáze nahrávek a jejich subjektivních emočních popisů byla použita volně dostupná databáze DEAM. Praktická část práce se již plně zabývá návrhem statického dimenzionálního regresního vyhodnocovacího systému pro číselnou predikci hudebních emocí u hudebních nahrávek, přesněji jejich polohy v AV emočním prostoru. Práce publikuje a komentuje přehled dosažených výsledků jak pro individuální analýzu významnosti jednotlivých parametrů pro úspěšnost predikce, tak celkové analýzy úspěšnosti predikce navrženého modelu.
|
host ::
RSS.