|
|
Inteligentní hudební přehrávač pro Android
Tomášek, Michal ; Rozman, Jaroslav (oponent) ; Kalmár, Róbert (vedoucí práce)
V dnešní době je na trhu velké množství hudebních přehrávačů. Žádný z nich však neposkytuje funkci predikce, která by pracovala v reálném čase přímo při běžném používání přehrávače. Bakalářská práce se zabývá návrhem a implementací hudebního přehrávače s mechanismem predikce. Důraz je kladen jak na vytvoření kvalitní architektury aplikace, tak na zvolení vhodného algoritmu, který bude zajišťovat predikci. Výběru algoritmu předchází výběr kategorie metod strojového učení. Výsledný prediktivní algoritmus je rozdělen do několika sekcí a je tedy nutné zvolit či vymyslet řešení pro všechny jeho části. Výstupem této práce je hudební přehrávač pro OS Android umožňující provádění predikce a učení se z interakce v reálném čase.
|
|
|
Research on Reliable Low-Power Wide-Area Communications Utilizing Multi-RAT LPWAN Technologies for IoT Applications
Štůsek, Martin ; Grochla, Krzysztof (oponent) ; Curado, Marilia (oponent) ; Hošek, Jiří (vedoucí práce)
This doctoral thesis addresses the “Research on Reliable Low-Power Wide-Area Communications Utilizing Multi-RAT LPWAN Technologies for IoT Applications”. Despite the immense progress in massive Machine-Type Communication (mMTC) technology enablers such as Low-Power Wide-Area (LPWA) networks, their performance does not have to satisfy the requirements of novelty Internet of Things (IoT) applications. The main goal of this Ph.D. work is to explore and evaluate the limitations of current LPWA technologies and propose novel mechanisms facilitating coverage planning and assessment. Proposed frameworks are fine-tuned and cross-validated by the extensive measurement campaigns conducted in public LPWA networks. This doctoral thesis further introduces the novelty approach of multi-RAT LPWA devices to overcome the performance limitation of individual LPWA technologies. The current implementation primarily focuses on diminishing the greatest multi-RAT solutions disadvantage, i.e., increased power consumption by employing a machine learning approach to radio interface selection.
|
|
|
Deep Learning AI in Game Environments
Glós, Kristián ; Bobák, Petr (oponent) ; Polášek, Tomáš (vedoucí práce)
This thesis is focused on analysing deep learning algorithms and their ability to complete given tasks implemented in game environments created via the Unity game engine. Secondary objective was to research and specify possible use-cases of deep learning during game development. The algorithms used fall into Reinforcement learning, Imitation learning and Neuroevolution, while Reinforcement learning was used throughout the whole game scene development cycle. Analysis and results were collected through training the networks in different game scene states and other factors.
|
|
|
Posilované učení pro hraní robotického fotbalu
Brychta, Adam ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá vytvořením agenta pro hraní robotického fotbalu. V práci používám metodu hlubokého Q-učení, která využívá hlubokou neuronovou síť. Praktická část práce se zabývá implementací agenta pro posilované učení. Cílem agenta je vybrat nejlepší akci pro daný stav prostředí. Trénování agenta probíhá v různých scénářích situací na hřišti. Výsledek této práce ukazuje přístup k hraní fotbalu pomocí strojového učení.
|
|
|
Posilované učení pro 3D hry
Beránek, Michal ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Práce se zabývá učením neuronové sítě na jednoduchých úlohách v prostředí 3D střílečky Doom, zprostředkovaném výzkumnou platformou ViZDoom. Hlavním cílem je vytvoření agenta, který se učí na několika úlohách zároveň. Použitým algoritmem posilovaného učení je Rainbow, který kombinuje několik vylepšení algoritmu DQN. Pro učení na více úlohách jsem navrhnul a otestoval dvě různé architektury sítě. Jedna z nich byla úspěšná a po relativně krátké době trénování dokázal agent získat téměř 50 % z maximální možné odměny. Klíčovým prvkem úspěchu je Embedding vrstva pro parametrický popis prostředí jednotlivých úloh. Hlavním zjištěním je, že Rainbow je schopen učit se v 3D prostředí a s pomocí Embedding vrstvy i na více úlohách zároveň.
|
|
|
Navigace pomocí hlubokých konvolučních sítí
Skácel, Dalibor ; Veľas, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
V této práci se věnuji problematice navigace a autonomního řízení za použití konvolučních neuronových sítí. Představuji zde hlavní přístupy využívající zpracování senzorických vstupů uváděné v odborné literatuře a popisuji teorii neuronových sítí, imitačního a zpětnovazebního učení. Dále rozebírám nástroje a metody vhodné pro zpracování systému řízení. V rámci práce jsem vytvořil dva typy modelů pro řízení vozidel v simulačním prostředí. Modely využívají učících algoritmů Dataset Aggregation a Deep Deterministic Policy Gradient. Vytvořené modely jsem otestoval v prostředí simulátoru TORCS a porovnal s dostupnými zdroji.
|
|
|
Hluboké posilovaná učení a řešení pohybu robotu typu had
Kočí, Jakub ; Dobrovský, Ladislav (oponent) ; Matoušek, Radomil (vedoucí práce)
Tato diplomová práce se zabývá použitím posilovaného učení pro úkoly hlubokého učení. V teoretické části je rozebrán potřebný základ k neuronovým sítím a posilovanému učení. Práce popisuje teoretický model posilovaného učení - Markovovské procesy, na konvenčních algoritmech ukazuje některé zajímavé techniky a v rešeršní části ukazuje některé z používaných algoritmů hlubokého posilovaného učení. Praktická část práce se skládá z vlastního modelu robotu a prostředí a z vlastního systému posilovaného učení.
|
|
|
Plánování cesty robotu pomocí posilovaného učení
Veselovský, Michal ; Liška, Radovan (oponent) ; Dvořák, Jiří (vedoucí práce)
Tato práce se zabývá plánováním cesty pro autonomního robota v prostředí se statickými překážkami. Součástí práce je analýza různých přístupů k plánování cesty robota, a v implementační části popis metod využívajících posilovaného učení a experimenty s nimi. Hlavními výstupy práce jsou funkční algoritmy pro plánování cesty založené na Q-učení, ověření jejich funkčnosti a vzájemné srovnání.
|
|
|
Strojové učení ve strategických hrách
Vlček, Michael ; Škoda, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Strojové učení v současnosti diktuje pokrok umělé inteligence v soupeření s člověkem v rámci strategických her, ať už jde o šachy, Go, či poker. Oblastí strojového učení, která vykazuje nejperspektivnější výsledky ve hraní strategických her, je posilované učení. Velkým milníkem se pro současný vývoj stává počítačová hra Starcraft II, která svou komplexností mnohonásobně předčí dosavadní úspěchy v tomto oboru. Tato práce se zabývá rozborem problematiky, a navrhuje řešení prostřednictvím algoritmu posilovaného učení A2C a implementace optimalizace hyperparametrů PBT (trénování na bázi populace), které může být pro dosavadní výsledky krokem vpřed.
|
|
|
Posilované učení pro hru typu Bomberman
Adamčiak, Jakub ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Cieľom tejto bakalárksej práce je návrh, implementácia a trénovanie modelov posilňovaného učenia na hru typu Bomberman. Je postavená na prostredí Bomberland od firmy CoderOne. Toto prostredie bolo vyvinuté za účelom vzdelávania a výskumu v odvetí umelej inteligencie. V tejto práci rozoberám rôzne nastavenia a problémy s implementovaním agenta do prostredia. Vyskúšal som 2 politiky (MLP a CNN), 2 algoritmy (PPO a A2C) a 5 druhov neurónových sietí pre extrakciu vlastností za pomoci knižníc stable baselines 3 a pytorch. Celkový čas trénovania týchto modelov bol dokopy 1207 reálnych hodín, 4168 strojových hodín a 271 miliónov herných krokov. Aj keď bolo trénovanie neúspešné, táto práca ukazuje proces implementácie modelu posilňovaného učenia do prostredia Gym.
|
host ::
RSS.