|
|
Spatial Analysis of Czech Parliamentary Election: Comparison of Spatial Econometrics and Machine Learning
Černý, Jakub ; Šťastná, Lenka (vedoucí práce) ; Gregor, Martin (oponent)
Práce analyzuje výsledky voleb do Poslanecké sněmovny Parlamentu ČR z roku 2021 a snaží se vysvětlit voličskou podporu významných politických subjektů za použití agregovaných dat z obcí ČR. Protože data vykazují prostorovou autokorelaci, je nutné k analýze použít vhodný prostorový model. Práce poskytuje empirické i ekonomické důkazy ve prospěch Spatial Durbin Error modelu, který umožňuje rozlišovat přímé a nepřímé efekty jednotlivých proměnných a bere v potaz i prostorovou závislost reziduí. Tato metoda ukazuje, že proměnné popisující socio-ekonomickou úroveň obyvatelstva, jako např. podíl podnikatelů nebo lidí s vysokoškolským vzděláním, hrají důležitou roli při vysvětlování volebních výsledků a převážně vykazují přímé efekty. Naopak, proměnné obecně popisující obce, jako např. veřejné výdaje nebo úroveň infrastruktury, ovlivňují volební výsledky spíše nepřímo. Následně je analýza replikována pomocí dvou algoritmů strojového učení na principu rozhodovacích stromů a všechny modely jsou porovnány na základě jejich schopnosti předpovídat volební výsledek z neznámých dat. Navzdory skutečnosti, že metody strojového učení neodhadují koeficienty k jednotlivým proměnným, ale pouze jejich relativní důležitost, představuje tento přístup perspektivní doplněk k oboru prostorových analýz.
|
|
|
Detection of modern Slow DoS attacks
Jurek, Michael ; Jonák, Martin (oponent) ; Sikora, Marek (vedoucí práce)
With the evolving number of interconnected devices, the number of attacks arises. Malicious actors can take advantage of such devices to create (D)DoS attacks against victims. These attack are being more and more sophisticated. New category of DoS attacks was discovered that tries to mimic standard user behavior -- Slow DoS Attacks. Malicious actor leverages transport protocol behavior to the highest option by randomly dropping packets, not sending or delaying messages, or on the other hand crafting special payloads causing DoS state of application server. This thesis proposes parameters of network flow that should help to identify chosen Slow DoS Attack. These parameters are divided into different categories describing single packets or whole flow. Selected Slow DoS Attack are Slow Read, Slow Drop and Slow Next. For each attack communication process is described on the transport and application layer level. Then important parameters describing given Slow DoS Attack are discussed. Last section sums up methods and tools of generation of these attacks. Next part deals with possibilities and tools to create such an attack, discuss basic communication concepts of creating parallel connections (multithreading, multiprocessing) and proposes own Slow DoS Attack generator with endless options of custom defined attacks. Next part describes testing environment for the attack generator and tools and scenarios of data capture with the goal of dataset creation. That dataset is used for subsequent detection using machine learning methods of supervised learning. Decision trees and random forest are used to detect important features of selected Slow DoS Attacks.
|
|
|
Mapování vegetace krkonošské tundry z multitemporálních LiDARových dat
Šrollerů, Alex ; Potůčková, Markéta (vedoucí práce) ; Lysák, Jakub (oponent)
Práce se zabývá parametry vertikální struktury vegetace odvozenými z UAV LiDARových dat a jejich využitím k multitemporální klasifikaci vybraných druhů arkto-alpinské tundry Krkonoš. Na základě rešerše literatury se zaměřením na nízké a keřovité porosty jsou vytipovány strukturní parametry. Jejich vhodnost k rozlišení tundrovité vegetace je hodnocena algoritmem Random Forest a metodou určení důležitosti prediktorů pomocí permutace out-of bag pozorování, vynecháním prediktoru a individuální výkonností prediktoru. Následně je provedena fúze s multispektrálními daty a určen vliv LiDAR odvozených strukturních parametrů na zpřesnění výsledků klasifikace. Zkoumány jsou také strukturní parametry vegetace odvozené z digitálního modelu povrchu získaného obrazovou korelací multispektrálních dat. Pro odlišení vegetačních tříd byl jako nejvhodnější určen parametr maximální výšky, následován minimální výškou, relativním poměrem povrchu vegetace a koeficientem variace, které dosáhly celkové klasifikační přesnosti 67,3 % pro Bílou louku a 62,3 % pro Úpské rašeliniště. Fúze s multispektrálními daty vedla k zpřesnění klasifikace do 2 %. V případě struktury vegetace odvozené z digitálního modelu povrchu bylo dosaženo stejného výsledku s výjimkou vyšších porostů. LiDARová data se neukázala jako přínosná k odlišení...
|
|
|
Klasifikace krajinného pokryvu ve vybraných územích Etiopie pomocí klasifikátoru strojového učení
Valchářová, Daniela ; Štych, Přemysl (vedoucí práce) ; Nedbal, Václav (oponent)
Diplomová práce se zabývá klasifikací krajinného pokryvu v regionu Sidama v Etiopii a 2 kebelí, Chancho a Dangora Morocho. Využívány jsou družicové snímky vysokého rozlišení Sentinel-2 a velmi vysokého rozlišení PlanetScope. Tvorba klasifikačního algoritmu probíhá v cloudovém prostředí Google Earth Engine. Testováno je 10 kombinací 4 nejdůležitějších parametrů klasifikační metody Random Forest. Definovaná legenda obsahuje 8 tříd land cover, a to zástavba, plodiny, louka/pastvina, les, křoviny, holá půda, mokřad a vodní plocha. Trénovací dataset je sbírán v terénu na podzim roku 2020. Porovnávány jsou výsledky klasifikace dvou typů dat na dvou měřítkových úrovní. Nejvyšší celková přesnost pro klasifikaci land cover regionu Sidama vyšla 84,1 % a kappa index 0,797, a to s parametry metody Random Forest 100 stromů, 4 spektrální pásma vstupující do každého stromu, hodnota 1 pro populaci listu a 40 % trénovacích dat využitých pro každý strom. Pro klasifikaci land cover kebele Chancho a Dangora Morocho se stejným nastavením metody vyšla celková přesnost 66,00 a 73,73 % a kappa index 0,545 a 0,601. Pro klasifikaci kebele Chancho vyšla lépe jiná kombinace parametrů (80, 3, 1, 0,4), a přenositelnost stejného nastavení algoritmu se tak potvrdila pouze z 50 %. Pro klasifikaci kebelí autorka práce v diskuzi...
|
|
|
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.
|
|
| |
|
|
Android Music Player with the Song Selection by a Device Context
Chmelařová, Gabriela ; Burget, Radek (oponent) ; Rychlý, Marek (vedoucí práce)
This thesis deals with creation of context-aware mobile application that selects and recommends songs of the music player according to the current context of the device. The device context is obtained from the measured values, which are acquired from the integrated device sensors and from other device system values. The selection of the particular song is based on a machine learning model solution, that classifies the context based on the current data and selects the appropriate song belonging to that context.
|
|
|
Laptop Touchpad Palm Detection with AI/ML
Menzyński, Mark Alexander ; Kavetskyi, Andrii (oponent) ; Drahanský, Martin (vedoucí práce)
The situation about palm rejection for laptops is less than ideal. Most research focuses on touchscreens, and there is minimal research on touchpads. Some research is possibly done privately in laptop manufacturer companies, but the technology is lacking behind regardless. This thesis explores several shallow and deep machine learning models and finds their accuracy to be very much sufficient. In addition, a real-time proof of concept is implemented to demonstrate the model's capabilities.
|
|
|
Application of Machine Learning in Portfolio Construction
Karlíček, Ondřej ; Šíla, Jan (vedoucí práce) ; Baruník, Jozef (oponent)
Práce zkoumá využití strojového učení při tvorbě portfolia. Analýza byla provedena na souboru dat, který se skládá ze 442 amerických akcií. Na začátku jsme provedli klastrování akcií pomocí algoritmů analýzy hlavních komponent a K-means. Poté vybíráme akcie z každého klastru na základě metrik výnosnosti/rizikovosti. Kde riziko bylo odhadnuto pomocí Value at Risk a výnos byl předpovězen pomocí modelů Random Forest a GARCH. Takto nám zůstalo 11 akcií pro každé měsíční období v průběhu roku 2020. Výsledky ukazují, že portfolia sestavená z vybraných akcií dokázala překonat tržní benchmark. Predikce výnosů však nebyly dostatečně přesné. Portfolio z vybraných akcií s využitím přístupu 1/N tedy dosáhlo lepších výsledků než portfolio optimalizované pomocí Mean-Variance modelu. 1
|
|
|
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 %.
|
host ::
RSS.