|
|
Measuring the thickness of contamination layers in scanning electron microscopy using image processing
Macek, Matěj ; Munzar, Milan (referee) ; Čadík, Martin (advisor)
Motivací pro vznik této práce byl cíl společnosti Thermo Fisher Scientific vyvinout metodu měření tloušťky kontaminačních vrstev na snímcích ze skenovací elektronové mikroskopie (SEM) pomocí pokročilých technik zpracování obrazu. Hlavním cílem je vytvořit automatizované metody pro kvantifikaci kontaminace v obrazech, které nepříznivě ovlivňují zobrazování ve výzkumu v oblasti materiálových věd, pomocí technik zpracování obrazu. V této studii shromažďujeme soubor dat snímků s kontaminací a ručně anotujeme masky pro každý snímek. Tyto anotace budou sloužit k doladění a vyhodnocení účinnosti námi navrhovaných metod. Použitím kombinace algoritmů detekce hran a modelů strojového učení, konkrétně vyladěné sítě DeepLabv3, tato práce zvyšuje přesnost a účinnost detekce kontaminace. Analyzátor kontaminace založený na detekci hran (EDCA) využívá tradiční metody zpracování obrazu, zatímco model DeepLabv3 zavádí přístup strojového učení, který robustně zvládá různorodé obrazové podmínky. Srovnávací analýzy prokazují účinnost těchto metod při poskytování spolehlivých, škálovatelných a podrobných měření kontaminačních vrstev, což významně přispívá k rozvoji oboru materiálových věd.
|
|
|
Simulation of Biological Processes Using Asynchronous Cellular Automata and Machine Learning
Kališ, Vojtěch ; Bidlo, Michal (referee) ; Fritz, Karel (advisor)
Tato práce zkoumá spojení asynchronních celulárních automatů a technik strojového učení pro simulaci komplexních biologických procesů. Jejím hlavním zaměřením je předvést vrozený potenciál výpočetního rámce konstruovaného spojením paralelismu aktualizačního modelu asynchronních celulárních automatů s prediktivními schopnostmi algoritmů strojového učení. Tato studie si klade za cíl demonstrovat kvality takového hybridního přístupu implementací tří matematických modelů celulárních automatů s rostoucí složitostí—tj., seřezeny podle stupně složitosti, Conwayova Hra Života, SmoothLife a Lenia—ve své základní formě a následnou integrací strojového učení do funkce dvou posledně jmenovaných, po čemž následuje porovnání výsledků obou přístupů.
|
|
|
Anion-exchange enabled tuning of caesium lead mixed-halide perovskites for high-energy radiation detection
Matula, Radovan ; Friák, Martin (referee) ; Dvořák, Petr (advisor)
Olovnato-halogenidové perovskity (OHP) se svými bezprecedentními funkčními vlastnostmi, které umocňuje jednoduché ladění zakázaného pásma, vzaly svět polovodičů útokem. Proces aniontové výměny, možný i po syntéze, umožňuje ladění zakázaného pásu OHP, což vede k olovnato-mix-halogenidovým perovskitům (OMHP), čímž se rozšiřuje jejich potenciál pro aplikace, zejména v oblasti laditelných detektorů. Širokému přijetí LMHP však brání jejich chemická nestabilita, která vede k segregaci halogenidů v materiálu, což zásadně omezuje spolehlivý provoz zařízení na bázi OMHP. Pochopení kinetiky segregace halogenidu přes delší časové intervaly zůstává výzvou, nabízi se tak použití teoretických simulací, jako jsou metody Monte Carlo (MC). Avšak MC simulace spoléhají na dobře definované povrchy potenciální energie (PPE), typicky odvozené z výpočetně náročných výpočtů teorie funkcionálu hustoty (DFT). V této práci navrhujeme nový přístup pro konstrukci dobře definovaných PPE z vysoce přesných DFT dat se zlomkem výpočetního zatížení. Využitím activation-relaxation technique noveau (ARTn) pro motivaci hledání přechodových bodů v PPE v kombinaci s nejmodernějšími přístupy strojového učení se snažíme výrazně snížit výpočetní náklady. Navíc s využitím klasické teorie hodnotíme detekční schopnosti vybraných OMHP.
|
|
|
Automatic Transcription of Speech Supporting Code Switching
Bílek, Štěpán ; Karafiát, Martin (referee) ; Szőke, Igor (advisor)
This thesis addresses the issue of automatic speech recognition, focusing on the recognition of audio containing multilingual speech, known as code-switching. The problem of a lack of multilingual data for training is addressed by combining recordings in English and German. To achieve the closest approximation to real bilingual speech, a portion of the datasets is created by merging recordings of similar speakers. The Whisper model is trained and tested on the created data. In its original unadapted version, the model achieves an error rate of up to 70 %. The best models trained on combined datasets achieve error rates slightly above 7 %. The results of this study demonstrate methods for training models to achieve the best possible performance.
|
|
|
Machine learning in audio effects
Sychra, Jakub ; Mošner, Ladislav (referee) ; Černocký, Jan (advisor)
Získávání hudebních efektů z mixovaných skladeb je složité téma, které vyžaduje znalosti jak v oblasti zpracování signálů, tak zkušenosti s audio inženýrstvím. Tato práce cílí na tvorbu systém, který by byl schopen identifikovat sekvence a parametry kytarových efektů z mixovaných skladeb. Trénovací data byla vytvořena za využití čistých kytarových zvuků z datasetu IDMT-SMT-Audio-Effects. Tyto data byla následně augmentována populárními kytarovými efekty (BitCrush, Chorus, Clipping, Compressor, Delay, Distortion, High-pass filter, Ladder filter, Low-pass filter, Limiter, Phaser a Reverb), které byly implementovány pomocí knihovny Pedalboard tvořící mezivrstvu mezi jazykem Python a standartními VST efekty. Samotný rozpoznávací systém je založený na architektuře VGGish, k níž jsou přidány klasifikační (přítomnost efektu) a regresní (parametry efektů) hlavy. Výkon modelu je hodnocen na základě přesnosti klasifikace a regrese, a také v neformálních poslechových testech.
|
|
|
Meta-heuristic algorithms for feature selection in classification of heart-related diseases
Švestková, Tereza ; Odstrčilík, Jan (referee) ; Mézl, Martin (advisor)
This thesis is devoted to the features selection for classification tasks related to heart disease. The optimal features selection is a key factor for the correct functionality of classification models and, in the case of medicine, for the improvement of diagnostics. The theoretical part discusses the general classification task in machine learning. Furthermore, some classic procedures as well as newer meta-heuristic algorithms for efficient feature selection are described in more detail. The practical part is devoted to the application of some of the described algorithms to data sets related to heart disease. The advantages and benefits of prioritizing meta-heuristic algorithms are discussed based on the verification of the validity of the result of the classification model according to selected symptoms of common procedures and evolutionary algorithms.
|
|
|
Detekce malware domén pomocí metod strojového učení
Ebert, Tomáš ; Poliakov, Daniel (referee) ; Hranický, Radek (advisor)
This bachelor thesis deals with the detection of malware domains using machine learning methods learning based on various information obtained about the domain (DNS records, geolocation data etc.). With the rapid proliferation of threats, not only in the form of malware, the current examples are often approaches are insufficient, either in terms of the speed of detection of malware domains or in terms of overall recognition,whether a domain is dangerous. The output of this work is a trained XGBoost classifier model, which has the advantage of fast and efficient real-time detection over blacklist detection, which often acquires domain data with a week delay. For this model, 131,000 malware domains were obtained, using which obtain a high-value model. Using experiments, a score of F1 of 96.8786 % for the XGBoost classifier with a false positive detection rate of 0.004887.
|
|
|
Optimization of Classification Models for Malicious Domain Detection
Pouč, Petr ; Jeřábek, Kamil (referee) ; Hranický, Radek (advisor)
Tato diplomová práce se zaměřuje na rozvoj pokročilých metod pro detekci škodlivých doménových jmen s využitím optimalizačních technik v oblasti strojového učení. Práce zkoumá a hodnotí účinnost různých optimalizačních strategií pro klasifikaci. Jako nástroje pro hodnocení jsem vybral klasifikační algoritmy, které se liší v jejich přístupu, včetně hlubokého učení, techniky rozhodovacích stromů, nebo hledání hyperrovin. Tyto metody byly posouzeny na základě schopnosti efektivně klasifikovat doménová jména v závislosti na použitých optimalizačních technikách. Optimalizace zahrnovala vytvoření přesně označených datových sad, aplikaci technik zpracování dat, pokročilou selekci atributů, řešení nerovnováhy tříd a ladění hyperparametrů. Experimentální část práce prokazuje vynikající úspěšnost kombinováním jednotlivých metod. Přičemž nejlepší modely CNN dosahovaly až 0.9926 F1 při současném snížení FPR na hodnotu 0.300%. Přínos práce spočívá v poskytnutí konkrétních metod a strategií pro efektivní detekci škodlivých doménových jmen v oblasti kybernetické bezpečnosti.
|
|
|
Analyzing a person’s handwriting for recognizing his/her emotional state
Chudárek, Aleš ; Matoušek, Jiří (referee) ; Malik, Aamir Saeed (advisor)
Rozpoznávání emocí z rukopisu je náročný a interdisciplinární úkol, který může poskytnout vhled do psychologického a emočního stavu pisatele. V této diplomové práci byl vyvinut a vyhodnocen model strojového učení schopný predikovat emoční stav pisatele na základě vzorků jeho rukopisu. Byl využit dataset EMOTHAW, který obsahuje vzorky rukopisu a kreseb od subjektů, jejichž emoční stavy byly změřeny pomocí testu DASS, který hodnotí úroveň deprese, úzkosti a stresu, a CIU Handwritten databázi pro ověření a experimentování. Bylo extrahováno množství příznaků inspirovaných standardní grafologií, stejně jako příznaky specifické pro online data. Pomocí ANOVA byly vybrány statisticky významné příznaky, které byly normalizovány pomocí Z-Score, MinMax, IQR nebo logaritmické transformace. Dimenzionalita příznaků byla snížena pomocí analýzy hlavních komponent (PCA) a lineární diskriminační analýzy (LDA). Pro klasifikaci byl použit meta-přístup Ensemble learning, který se snaží snížit chyby jednoho jednoduchého modelu využitím rozmanitosti a doplňkovosti více modelů. Struktura klasifikátoru závisí na mnoha argumentech, což vede k více než 300 000 různým konfiguracím. Optimální argumenty a tudíž optimální struktura byla hledána pomocí zamrazování argumentů. Byly identifikovány nejlepší klasifikátory pro binární a trinární klasifikaci každé emoce, což vedlo k šesti optimálním modelům. Tyto modely byly hodnoceny pomocí různých metrik, jako jsou accuracy, precision, recall a F1 Skóre, a dosáhly adekvátních výsledků ve všech metrikách. Kromě nalezení klasifikátorů tato práce zkoumala význam každého extrahovaného příznaku, čímž byl vytvořen seznam nejvýznamnějších příznaků použitých pro rozpoznávání emocí z rukopisu. Dále tato práce rozšiřuje databázi EMOTHAW identifikací úkolů, které jsou více indikativní pro specifické emoce, čímž se snižuje potřeba kompletní baterie úkolů pro emoční analýzu.
|
|
|
Game with Procedural Enemies
Teplan, Kristof ; Pečiva, Jan (referee) ; Milet, Tomáš (advisor)
Procedurálne generovanie obsahu si získalo veľkú popularitu, najmä v hernom priemysle. Oblasť procedurálneho generovania nepriateľov v hrách však zostáva relatívne nepreskúmaná. Táto práca sa zameriava na vývoj rogue-like 2D hry, kde hráč bojuje proti procedurálne generovaným robotom. Hra je implementovaná v Unity Engine, pričom sa využíva vlastný maticový L-systém na generovanie robotov z blokov s rôznymi funkciami. Umelá inteligencia robotov je poháňaná neurónovou sieťou, ktorá bola vycvičená pomocou posilovaného učenia s využitím nástroja Unity ML-Agents. Všetky systémy sú integrované do konečnej hry, ktorá zachytáva klasické vlastnosti rogue-like žánru.
|
guest ::
