|
|
Traffic analysis using on machine learning
Zelený, Ondřej ; Slanina, Martin (referee) ; Frýza, Tomáš (advisor)
Tato práce přibližuje problematiku detekce objektů a jejich klasifikace pro uplatnění k analýze dopravy. V teoretické části přibližuji několik metod a technik pro detekci a klasifikaci objektů. Dále zde představuji nejpoužívanější platformy a programovací jazyky pro implementaci konvolučních neuronových sítí. Dále uvádí přehled základních algoritmů pro trasování objektů a dostupné cloudové platformy pro internet věci. V praktické část je uvedena implementace vybraného algoritmu a k němu přidaných funkcionalit jako je trasování objektů nebo pracování a vizualiace v cloudu.
|
|
|
Pilot proficiency classification from gaze
Ruta, Dominik ; Vlk, Jan (referee) ; Chudý, Peter (advisor)
Tato práce se zabývá klasifikací úrovně odbornosti pilota a leteckých manévrů z pohledu očí. Cílem je poskytnout další cenný nástroj pro hodnocení pilotáže leteckými instruktory~a~poskytnout tak zpětnou vazbu trénovaným pilotům. Tato myšlenka je založena na základě výsledků relevantních studií, které objevily korelaci mezi užíváním efektivních skenovacích vzorů a doménové výkonnosti. V této práci jsou uvažovány dvě třídy odbornosti --- piloti a nováčci. Tato práce využívá běžné metriky pro analýzu pohledu očí. Dále jsou v této práci využity klasifikační techniky strojového učení. Metoda podpůrných vektorů je využita pro klasifikaci úrovně způsobilosti, zatímco pro klasifikaci leteckých manévrů jsou využity skryté Markovovy modely. Výsledkem práce je vysoce přesná klasifikace úrovně odbornosti pilot a dobrá schopnost rozeznat individuální letecké manévry provedené piloty.
|
|
|
Optimization of DDoS Mitigation Rule Inference
Carasec, Elena ; Grégr, Matěj (referee) ; Žádník, Martin (advisor)
Tato práce se zabývá možností využití algoritmů strojového učení pro ochranu proti DDoS útokům. Pro klasické a inkrementální (online) učení jsou uvažovány vysvětlitelné metody učení s učitelem, zejména rozhodovací stromy. Dále jsou představeny některé možné optimalizace pro zvýšení přesnosti klasifikace provozu a snížení množství blokovaného legitimního provozu.
|
|
|
Traffic analysis using on machine learning
Zelený, Ondřej ; Slanina, Martin (referee) ; Frýza, Tomáš (advisor)
Tato práce přibližuje problematiku detekce objektů a jejich klasifikace pro uplatnění k analýze dopravy. V teoretické části přibližuji několik metod a technik pro detekci a klasifikaci objektů. Dále zde představuji nejpoužívanější platformy a programovací jazyky pro implementaci konvolučních neuronových sítí.. V praktické části se pak zabývám implementací vybraného modelu a výběrem hardware pro realizaci systému.
|
|
|
Active Learning for Processing of Archive Sources
Hříbek, David ; Zbořil, František (referee) ; Rozman, Jaroslav (advisor)
This work deals with the creation of a system that allows uploading and annotating scans of historical documents and subsequent active learning of models for character recognition (OCR) on available annotations (marked lines and their transcripts). The work describes the process, classifies the techniques and presents an existing system for character recognition. Above all, emphasis is placed on machine learning methods. Furthermore, the methods of active learning are explained and a method of active learning of available OCR models from annotated scans is proposed. The rest of the work deals with a system design, implementation, available datasets, evaluation of self-created OCR model and testing of the entire system.
|
|
|
Utilization of artificial intelligence in technical diagnostics
Konečný, Antonín ; Huzlík, Rostislav (referee) ; Zuth, Daniel (advisor)
The diploma thesis is focused on the use of artificial intelligence methods for evaluating the fault condition of machinery. The evaluated data are from a vibrodiagnostic model for simulation of static and dynamic unbalances. The machine learning methods are applied, specifically supervised learning. The thesis describes the Spyder software environment, its alternatives, and the Python programming language, in which the scripts are written. It contains an overview with a description of the libraries (Scikit-learn, SciPy, Pandas ...) and methods — K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Decision Trees (DT) and Random Forests Classifiers (RF). The results of the classification are visualized in the confusion matrix for each method. The appendix includes written scripts for feature engineering, hyperparameter tuning, evaluation of learning success and classification with visualization of the result.
|
|
|
Identification and characterization of malicious behavior in behavioral graphs
Varga, Adam ; Burget, Radim (referee) ; Hajný, Jan (advisor)
Za posledné roky je zaznamenaný nárast prác zahrňujúcich komplexnú detekciu malvéru. Pre potreby zachytenia správania je často vhodné pouziť formát grafov. To je prípad antivírusového programu Avast, ktorého behaviorálny štít deteguje škodlivé správanie a ukladá ich vo forme grafov. Keďže sa jedná o proprietárne riešenie a Avast antivirus pracuje s vlastnou sadou charakterizovaného správania bolo nutné navrhnúť vlastnú metódu detekcie, ktorá bude postavená nad týmito grafmi správania. Táto práca analyzuje grafy správania škodlivého softvéru zachytené behavioralnym štítom antivírusového programu Avast pre proces hlbšej detekcie škodlivého softvéru. Detekcia škodlivého správania sa začína analýzou a abstrakciou vzorcov z grafu správania. Izolované vzory môžu efektívnejšie identifikovať dynamicky sa meniaci malware. Grafy správania sú uložené v databáze grafov Neo4j a každý deň sú zachytené tisíce z nich. Cieľom tejto práce bolo navrhnúť algoritmus na identifikáciu správania škodlivého softvéru s dôrazom na rýchlosť skenovania a jasnosť identifikovaných vzorcov správania. Identifikácia škodlivého správania spočíva v nájdení najdôležitejších vlastností natrénovaných klasifikátorov a následnej extrakcie podgrafu pozostávajúceho iba z týchto dôležitých vlastností uzlov a vzťahov medzi nimi. Následne je navrhnuté pravidlo pre hodnotenie extrahovaného podgrafu. Diplomová práca prebehla v spolupráci so spoločnosťou Avast Software s.r.o.
|
|
|
Intelligent Manager of Fantasy Premier League Game
Vasilišin, Maroš ; Burgetová, Ivana (referee) ; Hynek, Jiří (advisor)
Hra Fantasy Premier League poskytuje miliónom hráčov po celom svete možnosť stať sa na chvíľu manažérom svojho vlastného klubu. Výsledky a bodové ohodnotenie v hre závisia na správnom predvídaní, ako sa budú hráči chovať v skutočných futbalových zápasoch. Ak by pri tomto rozhodovaní pomáhal software na predikciu a analýzu budúcich výkonov hráčov, výsledky v hre sa môžu rapídne zlepšiť. Táto diplomová práca sa zaoberá návrhom a implementáciou predikčného modelu, ktorý využíva neurónové siete na predikcie časových radov počas celej sezóny v hre. Boli použité metódy na spracovanie dát o hráčoch a kluboch za posledné 4 sezóny. Výkonnosť a presnosť predikčných metód boli testované na dátach z poslednej sezóny Premier League a predikcie algoritmu sa vo väčšine prípadov blížili realite. Ak by sa užívateľ držal predikčného modelu v hre stopercentne, získal by väčší počet bodov ako bežný hráč, ktorý žiadny predikčný model nepoužíva.
|
|
|
Recognition of Driving Lane Borders in Video from On Board Camera
Letovanec, Lukáš ; Bartl, Vojtěch (referee) ; Herout, Adam (advisor)
This thesis is dedicated to the issue of driving lane borders recognition in frames of an onboard camera. In this thesis, an architecture of a deep convolutional neural network is introduced, by means of which the said problem is dealt with. The net was trained on a large dataset using gradient descent algorithm. The trained model has demonstrated the ability to recognize borders of a driving lane well in different situations and conditions. The result of the thesis confirms that deep convolutional neural networks are a suitable tool for driving lane borders recognition.
|
|
|
Data Mining Case Study in Python
Stoika, Anastasiia ; Burgetová, Ivana (referee) ; Zendulka, Jaroslav (advisor)
This thesis focuses on basic concepts and techniques of the process known as knowledge discovery from data. The goal is to demonstrate available resources in Python, which enable to perform the steps of this process. The thesis addresses several methods and techniques focused on detection of unusual observations, based on clustering and classification. It discusses data mining task for data with the limited amount of inspection resources. This inspection activity should be used to detect unusual transactions of sales of some company that may indicate fraud attempts by some of its salespeople.
|
guest ::
