|
|
Neural Network Based Named Entity Recognition
Straková, Jana ; Hajič, Jan (vedoucí práce) ; Černocký, Jan (oponent) ; Konopík, Miloslav (oponent)
Název práce: Rozpoznávání pojmenovaných entit pomocí neuronových sítí Autor: Jana Straková Ústav: Ústav formální a aplikované lingvistiky Vedoucí doktorské práce: prof. RNDr. Jan Hajič, Dr., Ústav formální a apliko- vané lingvistiky Abstrakt: Obor rozpoznávání pojmenovaných entit v češtině (tj. úkol auto- maticky identifikovat a klasifikovat významné části textu, jako například jména lidí, míst a organizací) se významně rozvinul po vydání českého korpusu poj- menovaných entit, Czech Named Entity Corpus (CNEC). Tato doktorská práce předkládá autorské výsledky v oblasti rozpoznávání pojmenovaných entit, ze- jména v češtině. Publikuje práci a výzkum provedený v průběhu přípravy CNEC a později během jeho evaluace. Dále shrnuje autorské výsledky, které před- stavují nejlepší známé výsledky v rozpoznávání českých pojmenovaných entit. Na základě jednoduché neuronové sítě s výstupní funkcí softmax a standardní sadou klasifikačních rysů je popsána metodologie a výsledky, ze kterých později vznikl otevřený software pro rozpoznávání pojmenovaných entit, NameTag. Dok- torská práce je zakončena popisem rozpoznávače založeném na rekurentních neu- ronových sítích s embeddingy slov a embeddingy založenými na znacích, které představují výsledky současného výzkumu v oblasti neuronových sítí. Rozpozná- vač nevyžaduje tvorbu...
|
|
| |
|
|
Automatické generování harmonie
Bobčík, Martin ; Drahošová, Michaela (oponent) ; Vašíček, Zdeněk (vedoucí práce)
Cílem této diplomové práce je studium problematiky generování harmonie na základě znalosti melodie a navržení systému, který tuto činnost smysluplně automatizuje. V práci je popsán základ hudební nauky pro toto téma a předchozí a jiné přístupy k této problematice. Dále je popsáno strojové učení, neuronové sítě a rekurentní neuronové sítě. Je nastíněn návrh systému, postup jeho zprovoznění a použití. Se systémem byly provedeny čtyři experimenty. Harmonizace krátkých melodií uspokojivé nebyly. Nicméně harmonizace delších melodií vykazovaly obecně lepší výsledky. Jako možný důvod se jeví relativně malá použitá neuronová síť v systému.
|
|
|
Automatické generování harmonie
Bobčík, Martin ; Drahošová, Michaela (oponent) ; Vašíček, Zdeněk (vedoucí práce)
Cílem této diplomové práce je studium problematiky generování harmonie na základě znalosti melodie a navržení systému, který tuto činnost smysluplně automatizuje. V práci je popsán základ hudební nauky pro toto téma a předchozí a jiné přístupy k této problematice. Dále je popsáno strojové učení, neuronové sítě a rekurentní neuronové sítě. Je nastíněn návrh systému, postup jeho zprovoznění a použití. Se systémem byly provedeny tři experimenty. Harmonizace melodií však nebyly uspokojivé. Jako možný důvod se jeví relativně malá použitá neuronová síť v systému.
|
|
|
Personal Voice Activity Detection
Sedláček, Šimon ; Landini, Federico Nicolás (oponent) ; Švec, Ján (vedoucí práce)
This work aims to implement, test, and evaluate a speaker-conditioned Voice Activity Detection (VAD) method called Personal VAD. The method builds upon an LSTM-based approach to VAD and its purpose is to introduce a system that can reliably detect speech of a target speaker, while retaining the typical characteristics of a VAD system, mainly in terms of small model size, low latency, and low necessary computational resources. The system is trained to distinguish between three classes: non-speech, target speaker speech, and non-target speaker speech. For this purpose, the method utilizes speaker embeddings as a part of the input feature vector to represent the target speaker. Some of the more heavyweight personal VAD variants also make use of speaker verification scores issued to each frame based on the target embedding, resulting in a more robust system. In addition to the one scoring method presented in the original article, two other scoring approaches are introduced, both outperforming the baseline method and improving the performance even for acoustically challenging conditions.
|
|
|
Detektor tempa hudebních nahrávek na bázi neuronové sítě
Suchánek, Tomáš ; Smékal, Zdeněk (oponent) ; Ištvánek, Matěj (vedoucí práce)
Diplomová práce se zabývá systémy k detekci tempa a dob v hudebních nahrávkách, jejichž funkčnost je založena na neuronových sítích. Je zde popsána struktura těchto systémů a způsob zpracování signálu v jejich jednotlivých blocích. Pozornost je potom věnována především rekurentním a temporálním konvolučním sítím, které ze své podstaty detekci tempa a dob dokáží efektivně řešit. Vybrané metody, architektury sítí a jejich modifikace jsou pak implementovány v rámci uceleného detekčního systému, který je dále testován a vyhodnocen procesem křížové validace na žánrově rozmanitém datasetu. Z výsledků vyplývá, že systém s vlastní architekturou temporální konvoluční sítě dosahuje srovnatelných výsledků se zahraničními publikacemi – v rámci datasetu SMC se například projevil jako nejúspěšnější, naopak v případě jiných se nacházel mírně pod přesností state-of-the-art systémů, přičemž navržená síť si i přes zvýšenou vnitřní komplexnost zachovává nízkou výpočetní náročnost.
|
|
|
Audio signal modelling using neural networks
Pešán, Michele ; Ištvánek, Matěj (oponent) ; Miklánek, Štěpán (vedoucí práce)
Neural networks based upon the WaveNet architecture and recurrent neural networks are nowadays used in human speech synthesis and other various tasks such as "black-box" modeling systems for acoustic signals alteration (modulation effects, non-linear distortion units, etc.). This work aims, to sum up existing methods of neural network use in acoustic signal modeling. Next, the student is to implement chosen model of neuron network Python and will train this architecture to perform a simulation of desirable sound effect or acoustic alteration system. The task for this semester is, to sum up existing knowledge concerning neural networks. Training database of sound samples and implementation of a sound modeling neural net is to be created as well. Through recent years, neural networks have been used more and more extensively across many science fields. Neural networks based upon the WaveNet architecture and recurrent neural networks are nowadays used in human speech synthesis and other various tasks such as "black-box" modeling systems for acoustic signals alteration (modulation effects, non-linear distortion units, etc.). This academic work provides a brief introduction to the neural network terminology and common practice, elaborates on several types of neural network types, the main focus on DeepMind's WaveNet. Furthermore describes and compares results of experimental implementation of WaveNet and other types of neural network in audio signal "black-box" modeling tasks.
|
|
|
Předpovídání chování posluchačů streamovacích služeb
Stachura, Šimon ; Pilát, Martin (vedoucí práce) ; Peška, Ladislav (oponent)
Název práce: Předpovídání chování posluchačů streamovacích služeb Autor: Bc. Šimon Stachura Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí diplomové práce: Mgr. Martin Pilát, Ph. D. Abstrakt: Streamovací služby jsou fenoménem posledního desetiletí, který umožnil legální přístup k online médiím obrovskému počtu diváků. Tato média jsou obvykle uživatelům poskytována ve formě sekvence generované technikami z oblasti doporučovacích systémů. Uživatelské preference se zpravidla odhadují zejména na základě předchozího chování během využívání služby. Jedním ze základních signálů, který vyjadřuje, jestli je uživatel nespokojený s generovaným obsahem, je přeskakování jeho jednotlivých částí (např. skladeb). Cílem této práce je prozkoumat možnosti predikce uživatelského chování z předchozí zkušenosti. Na základě vybraného rozsáhlého datasetu, obsahujícího reálná data z užívání služby Spotify, jsme zvážili možnosti předzpracování a reprezentace dat. Pro modelování jsme se rozhodli využít rekurentních neuronových sítí s architekturou Encoder-Decoder, které kódují data o uživatelském chování do kompaktní vektorové reprezentace, z níž generují interakce v následujícím časovém okamžiku. Vytvořili jsme model navazující na již existující řešení, který predikuje kompletní uživatelské interakce v rámci...
|
|
|
Deep Learning For Implicit Feedback-based Recommender Systems
Yöş, Kaan ; Peška, Ladislav (vedoucí práce) ; Balcar, Štěpán (oponent)
Souhrn: Cílem výzkumu je zaměřit se na Recurrent Neural Networks (RNN) a jeho aplikaci na doporučení týkající se relací, která jsou posílena implicitní zpětnou vazbou od uživatelů a metadaty založenými na obsahu. Pro zkoumání slibné architektury RNN realizujeme sedm různých modelů s využitím různých typů implicitní zpětné vazby a informací o obsahu. Naše výsledky ukázaly, že použití RNN se složitou implicitní zpětnou vazbou zvyšuje předpověď dalších položek porovnávající základní modely jako Cosine Similarity, Doc2Vec a Item2Vec.
|
|
|
Language-Independent Text Classifier Based On Recurrent Neural Networks
Myska, Vojtech
This paper deals with a proposal of language independent text classifiers based on recurrent neural networks. They work at a character level thus they do not require any text preprocessing. The classifiers have been trained and evaluated on a multilingual data set that is privately collected from film review databases. It contains Czech (Slovak), English, German and Spanish language subset. The resulting accuracy of the proposed language independent classifiers base on the recurrent neural networks in polarity sentiment analysis task is 78.55%.
|
host ::
RSS.