|
|
Vehicle Control via Reinforcement Learning
Maslowski, Petr ; Uhlíř, Václav (referee) ; Šůstek, Martin (advisor)
The goal of this thesis is a creation of an autonomous agent that can control a vehicle. The agent utilizes reinforcement learning that uses neural networks. The agent interprets images from the front vehicle camera and selects appropriate actions to control the vehicle. I designed and created reward functions and then experimented with hyperparameters setup. Trained agent simulate driving on the road. The result of this thesis shows a possible approach to control an autonomous vehicle agent using machine learning method in CARLA simulator.
|
|
| |
|
|
Steal me your €motion
Rygálová, Monika ; Országhová, MA Kristína (referee) ; Sterec, Pavel (advisor)
The text deals with ways and methods of creating my diploma thesis called Steal me your €motion. The diploma thesis deals with the relationship between machine learning and emotionality. To what extent is artificial intelligence able to undergo emotional relationships and experiences defined by the physicality and experience of the human body. The topic of the work is the creation of a (fictional) inhuman entity that longs to learn from people as many bodily acts as possible that will help it infiltrate the human community. In addition to reflecting the current level of scientific knowledge, I bring an element of fiction and fiction.
|
|
|
Strategic Game Based on Multiagent Systems
Knapek, Petr ; Kočí, Radek (referee) ; Zbořil, František (advisor)
This thesis is focused on designing and implementing system, that adds learning and planning capabilities to agents designed for playing real-time strategy games like StarCraft. It will explain problems of controlling game entities and bots by computer and introduce some often used solutions. Based on analysis, a new system has been designed and implemented. It uses multi-agent systems to control the game, utilizes machine learning methods and is capable of overcoming oponents and adapting to new challenges.
|
|
|
Bioinformatic Tool for Classification of Bacteria into Taxonomic Categories Based on the Sequence of 16S rRNA Gene
Valešová, Nikola ; Hon, Jiří (referee) ; Smatana, Stanislav (advisor)
Tato práce se zabývá problematikou automatizované klasifikace a rozpoznávání bakterií po získání jejich DNA procesem sekvenování. V rámci této práce je navržena a popsána nová metoda klasifikace založená na základě segmentu 16S rRNA. Představený princip je vytvořen podle stromové struktury taxonomických kategorií a používá známé algoritmy strojového učení pro klasifikaci bakterií do jedné ze tříd na nižší taxonomické úrovni. Součástí práce je dále implementace popsaného algoritmu a vyhodnocení jeho přesnosti predikce. Přesnost klasifikace různých typů klasifikátorů a jejich nastavení je prozkoumána a je určeno nastavení, které dosahuje nejlepších výsledků. Přesnost implementovaného algoritmu je také porovnána s několika existujícími metodami. Během validace dosáhla implementovaná aplikace KTC více než 45% přesnosti při predikci rodu na datových sadách BLAST 16S i BLAST V4. Na závěr je zmíněno i několik možností vylepšení a rozšíření stávající implementace algoritmu.
|
|
|
Detection of foreign objects in X-ray chest images using machine learning methods
Matoušková, Barbora ; Kolář, Radim (referee) ; Chmelík, Jiří (advisor)
Foreign objects in Chest X-ray (CXR) cause complications during automatic image processing. To prevent errors caused by these foreign objects, it is necessary to automatically find them and ommit them in the analysis. These are mainly buttons, jewellery, implants, wires and tubes. At the same time, finding pacemakers and other placed devices can help with automatic processing. The aim of this work was to design a method for the detection of foreign objects in CXR. For this task, Faster R-CNN method with a pre-trained ResNet50 network for feature extraction was chosen which was trained on 4 000 images and lately tested on 1 000 images from a publicly available database. After finding the optimal learning parameters, it was managed to train the network, which achieves 75% precision, 77% recall and 76% F1 score. However, a certain part of the error is formed by non-uniform annotations of objects in the data because not all annotated foreign objects are located in the lung area, as stated in the description.
|
|
|
Utilization of deep learning for channel estimation in OFDM systems
Hubík, Daniel ; Staněk, Miroslav (referee) ; Miloš, Jiří (advisor)
This paper describes a wireless communication model based on IEEE 802.11n. Typical methods for channel equalisation and estimation are described, such as the least squares method and the minimum mean square error method. Equalization based on deep learning was used as well. Coded and uncoded bit error rate was used as a performance identifier. Experiments with topology of the neural network has been performed. Programming languages such as MATLAB and Python were used in this work.
|
|
|
Identification of vertebrae type in CT data by machine learning methods
Matoušková, Barbora ; Kolář, Radim (referee) ; Chmelík, Jiří (advisor)
Identification of vertebrae type by machine learning is an important task to facilitate the work of medical doctors. This task is embarrassed by many factors. First, a spinal CT imagining is usually performed on patiens with pathologies such as lesions, tumors, kyphosis, lordosis, scoliosis or patients with various implants that cause artifacts in the images. Furthermore, the neighboring vertebraes are very similar which also complicates this task. This paper deals with already segmented vertebrae classification into cervical, thoracic and lumbar groups. Support vector machines (SVM) and convolutional neural networks (CNN) AlexNet and VGG16 are used for classification. The results are compared in the conclusion.
|
|
|
Procedural programming in database
Nimrichter, Adam ; Povoda, Lukáš (referee) ; Uher, Václav (advisor)
Thesis deals with verification of concept of performing calculations inside database. Describes PostgreSQL database, its features and procedural language PL/pgSQL. Also focuses on machine learning methods, implementation of forward selection algorithm and verification of his functionality. Frequently used tool is MADlib, which is an open-source library of scalable in-database algorithms for machine learning, statistics and other analytic tasks.
|
|
|
Classification on unbalanced data
Hlosta, Martin ; Popelínský, Lubomír (referee) ; Štěpánková,, Olga (referee) ; Zendulka, Jaroslav (advisor)
Tématem této disertační práce je klasifikace daty s nevyváženými daty. Jedná se o oblast strojového, jejímž cílem je řešit problémy, které plynou z toho, že jedna ze tříd je v datech zastoupena výrazně méně než třída druhá. Minoritní třída má často větší význam a tradiční metody upřednostňující majoritní třídu nedosahují dobrých výsledků na třídě minoritní. Dvě aplikační domény motivovaly výzkum a vedly na identifikaci dvou specifických, dosud neřešených problémů. V první z nich vedlo omezení kladené na minimální požadovanou přesnost na minoritní třídě v počítačové bezpečnosti na formulaci úlohy klasifikace s omezením. Navrhl jsem metodu, která kombinuje upravenou verzi logistické regrese a stochastické algoritmy, které vždy vylepšily výsledky logistické regrese.Druhou je doména analýzy učení (Learning Analytics), která motivovala definici problému predikce splnění cíle, jenž má specifikovaný termín splnění. Byl představen koncept sebe-učení (Self-Learning), kdy trénování modelu probíhá díky jedincům, kteří tento cíl splní předčasně. Díky malému počtu jedinců splňujících úlohu na začátku je problém silně nevyvážený, ale nevyváženost klesá směrem k termínu splnění. Na problému identifikace rizikových studentů distanční univerzity bylo ukázáno, že (1) takový koncept dává lepší výsledky než specifikovaná základna (baseline), (2) a že metody pro vypořádání se s nevyvážeností, které neberou v potaz informaci o doméně, nevedly k velkým zlepšením. Evaluace ukázala, že metody založené na znalosti domény v rozšířené verzi pro Self-Learning vylepšily klasifikaci více než běžné metody pro vypořádání se s nevyvážeností a že znalost příčiny nevyváženosti může vést k lepším výsledkům.
|
guest ::
