|
|
Aplikace posilovaného učení při řízení modelu vozidla
Maslowski, Petr ; Uhlíř, Václav (oponent) ; Šůstek, Martin (vedoucí práce)
Tato práce se zabývá vytvořením autonomního agenta pro řízení modelu vozidla. Rozhodování agenta je řízeno pomocí posilovaného učení (reinforcement learning) s využitím neuronových sítí. Agent získává snímky z přední kamery vozidla a na základě jejich interpretace vybírá vhodné akce pro řízení vozidla. V rámci práce jsem navrhl několik funkcí odměn a s vytvořenými modely jsem experimentoval úpravou hyperparametrů. Výsledný agent pak simuluje řízení vozidla na silnici. Výsledek této práce ukazuje možný přístup k ovládání autonomního vozidla, které se učí řídit metodou strojového učení v simulátoru CARLA.
|
|
| |
|
|
Steal me your €motion
Rygálová, Monika ; Országhová, MA Kristína (oponent) ; Sterec, Pavel (vedoucí práce)
Text pojednává o způsobech a metodách tvoření mé diplomové práce s názvem Steal me your €motion. Diplomová práci se zabývá vztahem strojového učení a emocionality. Do jaké míry je umělá inteligence schopná absolvovat emocionální vztahy a prožitky definované fyzikalitou a zkušeností lidského těla. Námětem práce je vytváření (fiktivní) nelidské entity, která se touží naučit od lidí co nejvíce tělesných úkonů, které ji pomůžou se infiltrovat do lidského společenství. Kromě reflexe současného stupně vědeckého poznání vnáším prvek fikce a fabulace.
|
|
|
Řízení entit ve strategické hře založené na multiagentních systémech
Knapek, Petr ; Kočí, Radek (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zaměřuje na návrh a implementaci systému podpory učení a plánování agentů schopných hry real-time strategických her typu StarCraft. Budou vysvětleny problémy ovládání herních objektů a protivníků počítačem a představeny obvykle používané způsoby řešení. Na základě analýzy je navržen a implementován nový systém využívající multiagentního přístupu k ovládání hry a metod strojového učení, který je schopný porážet protivníky a přizpůsobovat se novým výzvám.
|
|
|
Bioinformatic Tool for Classification of Bacteria into Taxonomic Categories Based on the Sequence of 16S rRNA Gene
Valešová, Nikola ; Hon, Jiří (oponent) ; Smatana, Stanislav (vedoucí práce)
This thesis deals with the problem of automated classification and recognition of bacteria after obtaining their DNA by the sequencing process. In the scope of this work, a new classification method based on the 16S rRNA gene segment is designed and described. The presented principle is constructed according to the tree structure of taxonomic categories and uses well-known machine learning algorithms to classify bacteria into one of the classes at the lower taxonomic level. A part of this thesis is also dedicated to the implementation of the described algorithm and evaluation of its prediction accuracy. The performance of various classifier types and their settings is examined and the setting with the best accuracy is determined. The accuracy of the implemented algorithm is also compared to several existing methods. During validation, the implemented KTC application reached more than 45 % accuracy on genus prediction on both BLAST 16S and BLAST V4 datasets. At the end of the thesis, there are mentioned several possibilities to improve and extend the current implementation of the algorithm.
|
|
|
Detekce cizích objektů v rentgenových snímcích hrudníku s využitím metod strojového učení
Matoušková, Barbora ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
Cizí objekty v RTG snímcích hrudníku způsobují komplikace během automatického zpracování snímku. Abychom zabránily chybám, které vznikají právě kvůli těmto cizím objektům, je třeba je nejprve automaticky vyhledat a z následné analýzy je vynechat. Jedná se především o knoflíky, šperky, implantáty, dráty či trubičky. Zároveň nalezení pacemakerů a jiných voperovaných zařízení může pomoct při automatickém zpracování. Cílem této práce bylo navrhnout metodu pro detekci cizích objektů v RTG snímcích hrudníku. Pro tento úkol byla zvolena metoda Faster R-CNN s předtrénovanou sítí ResNet50 pro extrakci příznaků, která byla natrénována na 4 000 snímcích a následně otestována na 1 000 snímcích z veřejně dostupné databáze. Po nalezení optimálních učících parametrů se podařilo natrénovat síť, která dosahuje 75% přesnosti, 77% senzitivity a 76% F1 skóre. Určitá část chyby je ovšem tvořena nejednotnými anotacemi objektů v datech, kdy ne všechny anotované cizí objekty se nachází v oblasti plic, jak je udáno v popisu.
|
|
|
Odhad kanálu v OFDM systémech pomocí deep learning metod
Hubík, Daniel ; Staněk, Miroslav (oponent) ; Miloš, Jiří (vedoucí práce)
Diplomová práce se zabývá simulací rádiového komunikačního systému OFDM v základním pásmu a jeho následnou ekvalizací. Model je založen na standardu IEEE 802.11n. Vývoj a simulace modelu byly vytvořeny v programových prostředích MATLAB a Python. Byly využity konvenční metody estimace kanálu (LS, MMSE), ale také nekonvenční metody jako je ekvalizace kanálu s využitím strojového učení. Byly provedeny experimenty s architekturami umělých neuronových sítí a studována závislost na kvalitě ekvalizace. Funkce modelu byla vyhodnocována kódovanou a nekódovanou bitovou chybovostí BER.
|
|
|
Identifikace typu obratlů z CT dat s využitím metod strojového učení
Matoušková, Barbora ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
Identifikace typu obratlů pomocí strojového učení je důležitý úkol pro usnadnění práce lékařů. Tento úkol je znesnadněn mnoha faktory. Za prvé se CT snímky páteře obvykle provádí u pacientů s patologiemi jako jsou léze, nádory, kyfóza, lordóza, skolióza či u pacientů s různými implantáty, které způsobují ve snímcích artefakty. Dále jsou si sousední obratle velmi podobné, což také tento úkol komplikuje. Tato práce se zabývá klasifikací již vysegmentovaných obratlů do skupin krční, hrudní a bederní. Pro klasifikaci je využita metoda podpůrných vektorů (SVM) a konvoluční neuronové sítě (CNN) AlexNet a VGG16. Dosažené výsledky jsou v závěru porovnány.
|
|
|
Procedurální programování v databázi
Nimrichter, Adam ; Povoda, Lukáš (oponent) ; Uher, Václav (vedoucí práce)
Práce se zabývá ověřením konceptu provádět výpočty přímo v databázi. Popisuje databázi PostgreSQL, její vlastnosti a procedurální jazyk PL/pgSQL. Dále se věnuje metodám strojového učení, návrhu algoritmu pro dopředný výběr příznaků a ověřením jeho funkčnosti. Hojně využívá rozšiřující knihovny analytických funkcí MADlib, která poskytuje implementace matematických, statistických a strojních učebních metod pro strukturovaná a nestrukturovaná data.
|
|
|
Classification on unbalanced data
Hlosta, Martin ; Popelínský, Lubomír (oponent) ; Štěpánková,, Olga (oponent) ; Zendulka, Jaroslav (vedoucí práce)
This thesis is focused on classification on unbalanced data. It is an important part of machine learning with the objective to address the issues when one class is significantly underrepresented compared to the other one. The minority class is usually more important, and the traditional algorithms favouring the majority class may ignore the importance of the minority class. Two application domains motivated the research and identification of two specific problems of the imbalanced data. First, the presence of a constraint on the performance of a minority class in the computer security domain resulted in the formulation of the constrained classification problem. I proposed a solution that combines the cost-sensitive logistic regression and stochastic algorithms, which in the conducted experiments always improved the performance of the logistic regression.The domain of Learning Analytics motivated me to define a general prediction problem, whether a goal is has been achieved within the deadline. I designed the Self-Learning framework, in which models are trained by analysing attributes of objects that achieved the goal early in the investigated period. Because only a few objects satisfy the goal at the beginning, the problem is by its nature imbalanced, with the imbalance decreasing in time. The evaluation, performed on the task of identification of at-risk students in the distance higher education, showed (1) the predictive power compared the specified baseline models and (2) that methods for tackling the class imbalance without domain information didn't lead to significant improvements. When the domain information is utilised in the extended version of Self-Learning, the evaluation showed the performance increase. Understanding and exploiting the source of imbalance can also lead to better results.
|
host ::
RSS.