|
|
Application of the Artificial Intelligence in the Real Estate Valuation
Štechová, Edita ; Witzany, Jiří (vedoucí práce) ; Fičura, Milan (oponent)
Cílem této práce je vytvořit modely s prvky Umělé Inteligence, na základě kterých bude možné odhadnout ceny rezidenčních nemovitostí v Praze. V první části této práce jsou popsány základní principy modelů na bázi Artificial Neural Networks a Fuzzy Inference Systems a jejich aplikace při oceňování nemovitostí. Druhá část je zaměřena na samotné sestavení modelů a testování jejich vypovídací schopnosti při aplikaci na tržní data. Ve třetí části práce je přesnost modelů porovnána s přesností modelů na bázi vícerozměrné lineární regrese. Mezi hlavní závěry této práce patří: (1) Modely na bázi Artificial Neural Networks a Fuzzy Inference Systems jsou charakteristické vyšší mírou přesnosti odhadu než tradiční lineární metody zastoupené vícerozměrnou lineární regresí; (2) Artificial Neural Networks a Fuzzy Inference Systems představují efektivní přístup k modelování a analyzování cen nemovitostí v Praze.
|
|
|
Analýza vybraných ukazatelů na akciovém trhu
BUREŠ, Otto
V rámci práce byla zjišťována účinnost umělých neuronových sítí při obchodování na akciových trzích. Předmětem práce byl také proces optimalizace nastavení parametrů umělých neuronových sítí, kdy výsledná predikční účinnost byla stanovena právě na základě aplikace optimalizovaných nastavení parametrů umělých neuronových sítí.
|
|
|
Capabilities of Radial and Kernel Networks
Kůrková, Věra
Originally, artificial neural networks were built from biologically inspired units called perceptrons. Later, other types of units became popular in neurocomputing due to their good mathematical properties. Among them, radial-basis-function (RBF) units and kernel units became most popular. The talk will discuss advantages and limitations of networks with these two types of computational units. Higher flexibility in choice of free parameters in RBF will be compared with benefits of geometrical properties of kernel models allowing applications of maximal margin classification algorithms, modelling of generalization in learning from data in terms of regularization, and characterization of optimal solutions of learning tasks. Critical influence of input dimension on behavior of these two types of networks will be described. General results will be illustrated by the paradigmatic examples of Gaussian kernel and radial networks.
|
|
|
Investiční zlato - IT podpora
ZAHOŘ, Zdeněk
Diplomová práce se zabývá zkoumáním predikce pomocí umělých neuronových sítí. Na rozdíl od prací zabývajících se podobným tématem, řeší tato práce i samotný sběr dat, na kterých je úspěšnost predikce testována. Konkrétně se jedná o data související s investičním zlatem. Přes internetové obchody lze nakupovat zlato ve formě zlatých slitků. Sami prodejci uvádějí, že jejich ceny se odvíjí od ceny zlata na trhu a kurzu koruny. Cílem práce je posoudit predikční potenciál v těchto datech. K dosažení cíle byl vytvořen systém pro získávání potřebných dat do datového skladu, jejich předzpracování a vizualizaci. Dále byl vytvořen systém předpovídající ceny, a pomocí něj byla zkoumána úspěšnost predikce.
|
|
|
Geometrochemistry vs Soft Computing of Mendeleev's Brain
Gottvald, Aleš
The role of projective geometry in nature remains somewhat enigmatic for centuries. It is very strange indeed, as the projective geometry is the mother of all geometries with more restrictive symmetry groups, as clearly recognized yet by seminal insights of Felix Klein, Arthur Cayley, Paul Dirac and other eminent scientists. We usually imagine that Euclidean geometry is primary for the geometrization of our (nonrelativistic) spaces, and the Euclidean-Pythagorean metric is natural for measuring the distances in such a space. However, how to measure distances in spaces associated with statistical thermodynamics or quantum mechanics? We show that projective geometry and associated "geometrochemistry" is manifest in nature. In particular, it offers a novel soft-computing rationale for recovering basic structure of Mendeleev's periodic table of chemical elements, and elucidates some mysteries of brain information processing, including a new understanding of Artificial Neural Networks.
|
|
|
Lokalizace zdrojů AE neuronovými sítěmi nezávisle na změnách materiálu a měřítka
Chlada, Milan ; Převorovský, Zdeněk
Lokalizace zdrojů akustické emise (AE) procedurami využívajícími umělé neuronové sítě (ANN) je vysoce efektivní alternativou ke klasickým triangulačním algoritmům. Mezi hlavní problémy patří především sběr dostatečného množství reprezentativních tréninkových dat a nepřenositelnost konkrétní naučené sítě na jiné úlohy. Jako řešení obou problémů se v poslední době osvědčila metoda na bázi ANN, využívající tzv. časové profily. Tento způsob charakterizace časů příchodů signálů k jednotlivým snímačům umožňuje učení ANN na numerických modelech s následnou aplikací na reálné konstrukce různých měřítek a materiálů. V příspěvku je tato metoda dále zdokonalena a demonstrována na experimentálních datech, získaných při pen-testech na modelovém střešním nosníku a součásti letecké konstrukce. Diskutovány jsou rovněž obecné možnosti aplikace jednotlivých variant metody pro různé konfigurace snímačů.
|
|
| |
|
| |
|
|
OPTIMALIZACE VOLBY SIGNÁLOVÝCH PARAMETRŮ PRO ROZPOZNÁVÁNÍ ZDROJŮ AKUSTICKÉ EMISE
Chlada, Milan ; Převorovský, Zdeněk
Umělé neuronové sítě (ANN) jsou efektivním nástrojem pro identifikaci zdrojů akustické emise (AE). Komplikovaným problémem obecného rozpoznávání dat je vhodná volba extrahovaných parametrů. Standardní charakteristiky signálu AE jsou nezřídka redundantní a nebo pro identifikační problém irelevantní. Za účelem redukce redundance dat jsou v příspěvku navrženy modifikace standardních emisních parametrů, jejichž výběr je dále optimalizován faktorovou analýzou a citlivostní analýzou identifikačních neuronových sítí. Tento optimalizační proces je testován při rozpoznávání zdrojů AE vznikajících během únavových zkoušek prováděných na součástech letecké konstrukce. Optimalizované signálové charakteristiky zachovávají dostatečnou informaci při minimálním počtu extrahovaných parametrů.
|
|
|
Genetická selekce a klonování u metody GMDH-MIA
Jiřina, Marcel ; Jiřina jr., M.
Algoritmus GMDH-MIA byl modifikován použitím selekční procedury z genetických algoritmů a zahrnutím klonování. Selekční procedura najde rodiče pro nový neuron mezi již existujícími neurony podle jejich fitness a s určitou pravděpodobností také mezi vstupy sítě. Podstatou klonování je malá modifikace parametrů nejlepšího neuronu. Geneticky modifikovaná síť GMDH s kolonováním (GMC-GMDH) je schopna lepších výsledků než jiné výkonné metody. Je to ukázáno na některých datech z Machine Learning Repository.
|
host ::
RSS.