|
|
Android Music Player with the Song Selection by a Device Context
Chmelařová, Gabriela ; Burget, Radek (oponent) ; Rychlý, Marek (vedoucí práce)
This thesis deals with creation of context-aware mobile application that selects and recommends songs of the music player according to the current context of the device. The device context is obtained from the measured values, which are acquired from the integrated device sensors and from other device system values. The selection of the particular song is based on a machine learning model solution, that classifies the context based on the current data and selects the appropriate song belonging to that context.
|
|
|
Comparison of Heuristic and Conventional Statistical Methods in Data Mining
Bitara, Matúš ; Žák, Libor (oponent) ; Bednář, Josef (vedoucí práce)
The thesis deals with the comparison of conventional and heuristic methods in data mining used for binary classification. In the theoretical part, four different models are described. Model classification is demonstrated on simple examples. In the practical part, models are compared on real data. This part also consists of data cleaning, outliers removal, two different transformations and dimension reduction. In the last part methods used to quality testing of models are described.
|
|
|
Charakterizace tkání ve spektrálních CT datech
Poláková, Veronika ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato bakalářská práce se zabývala charakterizací tkání na virtuálních monoenergetických obrazech (VMI). Byla zpracována literární rešerše o spektrálním CT, díky kterému lze VMI vytvořit. Dále bylo provedeno statistické vyhodnocení CT čísel tkání napříč spektrem energií VMI. Bylo zjištěno, že medián CT čísla s rostoucí energií VMI roste, nebo klesá různě strmě v závislosti na tkáni. To přispívá k lepšímu kontrastnímu rozlišení vybraných dvojic tkání na vhodných VMI a tím pádem i jejich lepší segmentaci a klasifikaci na těchto obrazech.
|
|
| |
|
|
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.
|
|
|
Protein Classification Techniques
Dekrét, Lukáš ; Zendulka, Jaroslav (oponent) ; Burgetová, Ivana (vedoucí práce)
Main goal of classifying proteins into families is to understand structural, functional and evolutionary relationships between individual proteins, which are not easily deducible from available data. Since the structure and function of proteins are closely related, determination of function is mainly based on structural properties, that can be obtained relatively easily with current resources. Protein classification is also used in development of special medicines, in the diagnosis of clinical diseases or in personalized healthcare, which means a lot of investment in it. I created a new hierarchical tool for protein classification that achieves better results than some existing solutions. The implementation of the tool was preceded by acquaintance with the properties of proteins, examination of existing classification approaches, creation of an extensive data set, realizing experiments and selection of the final classifiers of the hierarchical tool.
|
|
|
Genetické programování v úlohách predikce
Machač, Michal ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V této práci jsou představeny různé metody strojového učení, jež lze využít v úlohách predikce založených na regresi. Detailněji je popsáno stromové a lineární genetické programování. S vybranými algoritmy strojového učení (lineární regrese, náhodný les, vícevrstvý perceptron a stromové genetické programování) jsou provedeny experimenty na volně dostupných datových sadách za využití knihoven scikit-learn a gplearn, a získané výsledky jsou porovnány z pohledu kvality predikce. Stěžejní částí této práce byla implementace systému lineárního genetického programování v programovacím jazyce C++, která byla nejprve testována na umělých úlohách symbolické regrese, a následně na reálných datových sadách. Výsledky získané pomocí vytvořené implementace jsou porovnány vůči výsledkům získaným pomocí knihovny gplearn.
|
|
|
Využití strojového učení pro predikci vlivu mutací na stabilitu proteinů
Dúbrava, Juraj Ondrej ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
Táto práca sa zaoberá predikciou vplyvu aminokyselinových mutácií na stabilitu proteínu. Cieľom bolo vytvorenie nástroja klasifikujúceho výsledný charakter mutácie s využitím kombinácie viacerých metód strojového učenia. Implementovaný prístup kombinujúci metódy SVM a Random Forest dosiahol lepšie výsledky ako použitie metód samostatne. Nástroj bol porovnaný s dostupnými nástrojmi na nezávislom datasete na ktorom dosiahol úspešnosť predikcie 67 % a koreláciu 0,3.
|
|
|
Segmentace MR obrazů pomocí algoritmů strojového učení
Dorazil, Jan ; Mikulka, Jan (oponent) ; Dvořák, Pavel (vedoucí práce)
Tato práce se zabyvá segmentací snímků magnetické rezonance za použití algoritmu Random Forests. Využívané technologie při plnění práce zahrnují programovací jazyk C++ s knihovnami ITK a OpenCV. Práce popisuje postup zpracování obrazu od jeho načítání, předzpracování až po samotnou segmentaci. Výsledkem práce je program který plně automaticky segmentuje MR snímky hlavy myši na mozek a okolí.
|
|
|
Detekce objektů na GPU
Jurák, Martin ; Hradiš, Michal (oponent) ; Juránek, Roman (vedoucí práce)
Tato práce je zaměřena na akceleraci detekce objektů v obraze metodou Random Forest. Detektor Random Forest se skládá ze souboru náhodných rozhodovacích stromů, které jsou na sobě nezávisle vyhodnocovány, čehož lze využít pro akceleraci na grafické jednotce. Vývoj a zvyšování výkonu grafických procesorů umožnilo použití GPU pro masivně paralelní obecné výpočty (GPGPU). Cílem této práce je popsat způsob implementace metody Random Forest na GPU s využitím standardu OpenCL.
|
host ::
RSS.