|
|
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%.
|
|
|
Automatické hodnocení anglické výslovnosti nerodilých mluvčích
Gazdík, Peter ; Szőke, Igor (oponent) ; Žmolíková, Kateřina (vedoucí práce)
Výuka anglickej výslovnosti s využitím počítača sa v súčasnej dobe stáva čoraz viac populárnejšou. Napriek tomu presnosť týchto systémov je stále pomerne nízka. Táto diplomová práca sa preto zameriava na zlepšenie existujúcich metód automatického hodnotenia výslovnosti. V prvej časti práce je uvedený prehľad v súčasnosti používaných techník v tejto oblasti. Následne bol navrhnutý systém využívajúci dva rôzne prístupy. Dosiahnuté výsledky ukazujú znateľné zlepšenie oproti referenčnému systému.
|
|
|
Aktivní učení pro rozpoznávání textu
Kohút, Jan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je navrhnout metody aktivního učení a provést experimenty nad datovou sadou historických dokumentů. Pro experimenty využívám rozsáhlý a rozmanitý dataset IMPACT o více než jednom milionu řádků. Pomocí neuronových sítí provádím kontrolu vhodnosti řádků, tzn. čitelnosti a správnosti přepisů. Nejprve srovnávám architektury neuronových sítí, a to jak sítě čistě konvoluční, tak sítě obsahující obousměrnou rekurentní vrstvu LSTM. Dále se zabývám přístupy k učení neuronových sítí pomocí aktivního učení a samotnými metodami aktivního učení. Aktivní učení využívám zejména pro adaptaci neuronových sítí na jiné textové dokumenty, než na kterých byla původní síť učena. Aktivní učení tedy slouží k výběru vhodných adaptačních dat. Čistě konvoluční neuronové sítě dosahují úspěšnosti 98.6 %, rekurentní sítě pak 99.5 %. Chyba při adaptaci s využitím aktivního učení je o 26 % nižší než chyba při náhodném výběru dat.
|
|
|
Exploring Contextual Information in Neural Machine Translation
Jon, Josef ; Fajčík, Martin (oponent) ; Smrž, Pavel (vedoucí práce)
This works explores means of utilizing extra-sentential context in neural machine translation (NMT). Traditionally, NMT systems translate one source sentence into one target sentence, without any notion of the surrounding text. This is clearly insufficient and different from how humans translate text. For many high-resource language pairs, translations produced by NMT may be under certain, strict conditions, nearly indistinguishable from human produced translations. One of these conditions is that evaluators score the sentences separately. When evaluating whole documents, even the best NMT systems still fall short of human translators. This motivates the research of employing document level context in NMT, since there might not be much more space left to improve translations on the sentence level, at least for high resource languages and domains. This work summarizes recent state-of-the art approaches to context utilization, implements several of them, evaluates them both in terms of general translation quality and on specific context related phenomena, and analyzes their advantages and shortcomings. A hand-made context phenomena test set for English to Czech translation was created for this task.
|
|
|
Identifikace chodců
Jurča, Jan ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá identifikací osob z videa na základě rozpoznání postavy, obličeje a chůze. Pro rozpoznání postavy a chůze jsou využity předtrénované sítě. Zatímco k rozpoznání chůze je v rámci práce implementováno a srovnáno několik architektur sítí. Finální rozpoznání chodce probíhá na základě multimodální fůze realizované neuronovou sítí. Pro účely práce byl vytvořen vlastní dataset, zároveň se sadou nástrojů umožňující jeho téměř automatickou tvorbu.
|
|
|
Strojový překlad pomocí umělých neuronových sítí
Holcner, Jonáš ; Beneš, Karel (oponent) ; Szőke, Igor (vedoucí práce)
Cílem této práce je popsat a vytvořit systém pro strojový překlad textu postavený na rekurentních neuronových sítích. K tomu je použita architektura enkodér-dekodér umožňující překlad po celých větách. Výsledkem je knihovna nmt, určená k provádění experimentů s různými parametry modelu. Jejich výsledky jsou porovnány vůči systému postavenému na nástroji pro statistický překlad Moses.
|
|
|
Rozpoznávání historických textů pomocí hlubokých neuronových sítí
Kišš, Martin ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je vytvořit nástroj pro automatický přepis textu historických dokumentů. Práce je zaměřena především na rozpoznávání textů pocházejících z období novověku psané písmem zvané Fraktura. Problém je řešen pomocí nově navržených rekurentních konvolučních neuronových sítí a také pomocí sítě zvané Spatial Transformer Network. Součástí řešení je také implementovaný generátor umělých historických textů. Pomocí tohoto generátoru je vytvořena umělá datová sada, na níž je natrénována konvoluční neuronová síť pro rozpoznávání řádků. Tato síť je následně otestována na reálných historických řádcích textu, na kterých natrénovaná sít dosahuje úspešnosti až 89.0 % znakové přesnosti. Přínosem této práce je především nově navržená neuronová síť pro rozpoznávání řádků textu a implementovaný generátor umělých historických textů, s jehož pomocí je možné natrénovat neuronovou síť tak, aby zvládala rozpoznávat reálné historické řádky textu.
|
host ::
RSS.