|
|
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.
|
|
|
Identifikace a verifikace osob pomocí záznamu EKG
Waloszek, Vojtěch ; Smital, Lukáš (oponent) ; Vítek, Martin (vedoucí práce)
V posledních letech je zkoumáno využití EKG pro verifikaci a identifikaci osob v biometrických systémech. V této práci je tato možnost rovněž zkoumána a ověřována na databázi ECG ID z PhysioNetu a také na vlastních záznamech měřených pomocí Apple Watch Series 4. Mnohé existující metody již ověřily možnost použití EKG pro biometrii, ale na záznamech pořízených klinickým EKG přístrojem. Tato práce ověřuje možnost využití záznamů EKG pořízených pomocí nositelných zařízení, konkrétně chytrých hodinek. Ze signálu EKG je extrahováno 16 příznaků, které jsou za použití náhodného lesa jako klasifikátoru využity pro verifikaci a identifikaci. Mezi příznaky patří intervaly mezi význačnými body v signálu EKG, potenciálové rozdíly mezi některými body v signálu a variabilita intervalů PR v rámci záznamu. Průměrné výsledky verifikace 14 osob z vlastní databáze dat jsou TRR 96,19 %, TAR 84,25 %.
|
|
|
Analýza dat firmy produkující zdravotnické potřeby
Kulhánková, Monika ; Bartík, Vladimír (oponent) ; Burgetová, Ivana (vedoucí práce)
Tato bakalářská práce se zabývá analýzou prodejních dat společnosti, konkrétně klasifikací typu zákazníka podle jeho prodejních dat. Poskytuje teoretický úvod k získávání znalostí z dat. Popisuje proces klasifikace, metody pro vytváření klasifikátorů a je zde představen model CRISP-DM. V práci jsou popsány poskytnuté datové sady, ze kterých jsou vybrány relevantní atributy. Data jsou předzpracována a použita při tvorbě a testování klasifikačních modelů. Výsledkem práce je porovnání dosažených výsledků.
|
|
|
Classification of glioma grading in brain MRI
Olešová, Kristína ; Mézl, Martin (oponent) ; Chmelík, Jiří (vedoucí práce)
This thesis deals with a classification of glioma grade in high and low aggressive tumours and overall survival prediction based on magnetic resonance imaging. Data used in this work is from BRATS challenge 2019 and each set contains information from 4 weighting sequences of MRI. Thesis is implemented in PYTHON programming language and Jupyter Notebooks environment. Software PyRadiomics is used for calculation of image features. Goal of this work is to determine best tumour region and weighting sequence for calculation of image features and consequently select set of features that are the best ones for classification of tumour grade and survival prediction. Part of thesis is dedicated to survival prediction using set of statistical tests, specifically Cox regression
|
|
|
Novel methods for sleep analysis and classification
Navrátilová, Markéta ; Ronzhina, Marina (oponent) ; Kolářová, Jana (vedoucí práce)
This diploma thesis deals with methods for sleep analysis and classification. Sleep stagesand biosignals patterns during sleep are described as well as methods for classification.Features are extracted from provided EDA, ECG and RIP signals. Based on those fea-tures individual sleep stages are classified using random forest classifier and the classifierparameters are tuned. The results are evaluated. The features dataset is explored usingdimensionality reduction techniques and the results are compared with the results fromstandard sleep stages classification. The approach for visualization of both raw biosig-nals and extracted features is designed and implemented. Achieved results are comparedwith published methods.
|
|
|
Vliv klimatické změny na lokality Natura 2000 v jižních Čechách
Vaškovský, Adam ; Křenová, Zdeňka (vedoucí práce) ; Trnka, Miroslav (oponent)
Varování před intenzitou a rozsáhlými negativními dopady probíhající klimatické změny jsou stále naléhavější. Státy EU vytvořily unikátní soustavu lokalit Natura 2000 za účelem ochrany evropské biodiverzity a jsou právně zavázány chránit lokality tak, aby nedošlo ke zhoršení stavu jejich předmětů ochrany. Klíčovou otázkou je, zda statická soustava lokalit Natura 2000 naplní svůj účel i v budoucnu, nebo změny klimatu povedou k významným ztrátám evropské biodiverzity. Doposud existuje stále velmi málo studií, které se věnují modelování dopadů změny klimatu na lokality Natura 2000. V této práci jsem s využitím nové metody kombinující climate envelope modely s postupy aplikovanými pro hodnocení rizik změny klimatu na agroekosystémy zhodnotil vliv dopadů změny klimatu na osm vybraných typů přírodních stanovišť (TPS) vyskytujících se v oblasti jižních Čech. Jako prediktory výskytu vhodného klimatu pro TPS byly použity agroklimatologické indikátory vygenerované modelem AgriClim. Pro modelování jsem použil tři algoritmy strojového učení (generalized additive model, artificial neural network a random forest) a dva způsoby kombinování modelů (průměrování a stacking), ze kterých jsem jako nejvhodnější pro výsledné predikce vybral random forest. Výsledky modelování ukazují, že pro scénář RCP4.5 dojde už v...
|
|
|
Nowcasting the Real GDP Growth of the European Economies based on Machine Learning
Baylan, Su Hazal ; Kočenda, Evžen (vedoucí práce) ; Baruník, Jozef (oponent)
This thesis analyzes the nowcasting of quarterly GDP growth for nine European economies using a dynamic factor model and four different machine learning models. These machine learning models are as follows: Ridge, Lasso, Elastic Net, and Random Forest. The data includes ten hard and fifteen soft indicators for each country in order to calculate GDP for each nowcasting iteration for pre-covid and covid periods. For machine learning, models are fed with the extracted factors that are obtained from the dynamic factor model, and for all nowcasting models expanding window approach is selected to estimate nowcasting iterations. The empirical finding indicates that overall machine learning models provide better forecasting accuracy compared to dynamic factor models and benchmark models for more stable periods, such as the period before Covid-19. On the other hand, for more volatile periods where the uncertainties are higher in economies, the dynamic factor model outperforms machine learning models in order to nowcast GDP growth. In addition to this, Random Forest is able to outperform all the alternative models for small economies such as Slovenia and Portugal for stable periods. JEL Classification C01, C33, C53, C83, E37 Keywords Nowcasting, DFM, Ridge, Lasso, Elastic Net, Random Forest Title Nowcasting...
|
|
|
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Blaude, Ondřej ; Chmelík, Jiří (oponent) ; Provazník, Valentine (vedoucí práce)
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. Tato problematika je řešena standardními metodami, jako například náhodný les, umělé neuronové sítě nebo K-nejbližších sousedů. Díky své schopnosti samostatně extrahovat příznaky se ale těší oblibě i metody hlubokého učení. Všechny tyto metody jsou popsány v teoretické části. V praktické části byly navrženy deeplearningové modely, jejichž funkčnost byla ověřována za pomoci dat z databáze PhysioNet. Byly vytvořeny dva pilotní modely, které byly následně optimalizovány. Z celého progresu optimalizace parametrů jsou k dispozici tři modely, z nichž nejlepší dosahuje F1 skóre 87,35 % a přesnosti 83,7 %, a druhý nejlepší dosahuje F1 skóre 77,74 % a přesnosti 84,53 %. Výsledky, kterých bylo dosaženo, jsou diskutovány a porovnány s výsledky podobných publikací.
|
host ::
RSS.