|
|
Protein Classification Techniques
Dekrét, Lukáš ; Zendulka, Jaroslav (oponent) ; Burgetová, Ivana (vedoucí práce)
Main goal of classifying proteins into families is to understand structural, functional and evolutionary relationships between individual proteins, which are not easily deducible from available data. Since the structure and function of proteins are closely related, determination of function is mainly based on structural properties, that can be obtained relatively easily with current resources. Protein classification is also used in development of special medicines, in the diagnosis of clinical diseases or in personalized healthcare, which means a lot of investment in it. I created a new hierarchical tool for protein classification that achieves better results than some existing solutions. The implementation of the tool was preceded by acquaintance with the properties of proteins, examination of existing classification approaches, creation of an extensive data set, realizing experiments and selection of the final classifiers of the hierarchical tool.
|
|
|
Genetické programování v úlohách predikce
Machač, Michal ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V této práci jsou představeny různé metody strojového učení, jež lze využít v úlohách predikce založených na regresi. Detailněji je popsáno stromové a lineární genetické programování. S vybranými algoritmy strojového učení (lineární regrese, náhodný les, vícevrstvý perceptron a stromové genetické programování) jsou provedeny experimenty na volně dostupných datových sadách za využití knihoven scikit-learn a gplearn, a získané výsledky jsou porovnány z pohledu kvality predikce. Stěžejní částí této práce byla implementace systému lineárního genetického programování v programovacím jazyce C++, která byla nejprve testována na umělých úlohách symbolické regrese, a následně na reálných datových sadách. Výsledky získané pomocí vytvořené implementace jsou porovnány vůči výsledkům získaným pomocí knihovny gplearn.
|
|
|
Location Aware Analytics In The Context Of Mobile Network Performance Optimization
Urbanová, Lucie
The goal of this paper is to develop an estimation tool capable of predicting location aware network parameters, based on their previous field measurements and to perform a set of additional measurements to verify the accuracy of the tool. Additionally, the paper evaluates a number of regression methods in terms of their prediction accuracy, complexity and the amount of input data needed to create a prediction map of valid results.
|
|
|
Novel methods for sleep analysis and classification
Navrátilová, Markéta ; Ronzhina, Marina (oponent) ; Kolářová, Jana (vedoucí práce)
This diploma thesis deals with methods for sleep analysis and classification. Sleep stagesand biosignals patterns during sleep are described as well as methods for classification.Features are extracted from provided EDA, ECG and RIP signals. Based on those fea-tures individual sleep stages are classified using random forest classifier and the classifierparameters are tuned. The results are evaluated. The features dataset is explored usingdimensionality reduction techniques and the results are compared with the results fromstandard sleep stages classification. The approach for visualization of both raw biosig-nals and extracted features is designed and implemented. Achieved results are comparedwith published methods.
|
|
|
Classification of glioma grading in brain MRI
Olešová, Kristína ; Mézl, Martin (oponent) ; Chmelík, Jiří (vedoucí práce)
This thesis deals with a classification of glioma grade in high and low aggressive tumours and overall survival prediction based on magnetic resonance imaging. Data used in this work is from BRATS challenge 2019 and each set contains information from 4 weighting sequences of MRI. Thesis is implemented in PYTHON programming language and Jupyter Notebooks environment. Software PyRadiomics is used for calculation of image features. Goal of this work is to determine best tumour region and weighting sequence for calculation of image features and consequently select set of features that are the best ones for classification of tumour grade and survival prediction. Part of thesis is dedicated to survival prediction using set of statistical tests, specifically Cox regression
|
|
|
Segmentation of amyloid plaques in brains of trangenic rats based on microCT image data
Kačníková, Diana ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
The presence of amyloid plaques in the hippocampus highlights the incidence of Alzheimer’s disease. Manual segmentation of amyloid plaques is very time consuming and increases the time that can be used to monitor the distribution of amyloid plaques. Distribution carries significant information about disease progression and the impact of potential therapy. The automatic or semi-automatic segmentation method can lead to significant savings in the time which are required when the disease has rapid progression. The description of amyloid plaques and the computed tomography are included in this work. In this diploma thesis are three implemented algorithms, two of them are based on published articles and one’s own methodological solution. The conclusion of the thesis is a quantitative evaluation of the accuracy of implemented segmentation procedures.
|
|
|
Hodnocení krajinného pokryvu Vojenského újezdu Libavá s použitím klasifikátoru Random Forest
Žďánský, Vít ; Štych, Přemysl (vedoucí práce) ; Laštovička, Josef (oponent)
Data land cover nám pomáhají lépe pochopit krajinu, jak se vyvíjí, její využití a vliv lidské činnosti na ni. Díky novým metodám v oblasti DPZ jsme schopni tyto procesy zaznamenávat rychleji a v širším měřítku, než tomu bylo dříve. Tato práce se zabývá hodnocením přesností klasifikátorů Random Forest (RF) a Maximum Likelihood (ML) pomocí družicových dat Sentinel-2 v oblasti Vojenského újezdu Libavá. Právě vojenské újezdy prošly velmi specifickým vývojem a údaje o krajinném pokrytí chybí. Klasifikační legenda obsahuje 8 tříd. Výsledky klasifikace obou algoritmů jsou vyšší než 80 %. Lepších výsledků bylo dle očekávání dosaženo použitím klasifikátoru Random Forest. Nejpřesněji byly klasifikovány třídy vodních ploch a listnatých a jehličnatých lesů, nejhůře orná půda a řídká vegetace. Ostatní třídy se svou přesností odlišovaly. Výsledky práce jsou hodnoceny pomocí chybových matic, celkové přesnosti a kappa koeficientu. Klíčová slova: klasifikace, Random Forest, Maximum Likelihood, vojenský újezd, dálkový průzkum země, Sentinel 2, krajinné pokrytí, Libavá
|
|
|
Comparison of Heuristic and Conventional Statistical Methods in Data Mining
Bitara, Matúš ; Žák, Libor (oponent) ; Bednář, Josef (vedoucí práce)
The thesis deals with the comparison of conventional and heuristic methods in data mining used for binary classification. In the theoretical part, four different models are described. Model classification is demonstrated on simple examples. In the practical part, models are compared on real data. This part also consists of data cleaning, outliers removal, two different transformations and dimension reduction. In the last part methods used to quality testing of models are described.
|
|
|
Charakterizace tkání ve spektrálních CT datech
Poláková, Veronika ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato bakalářská práce se zabývala charakterizací tkání na virtuálních monoenergetických obrazech (VMI). Byla zpracována literární rešerše o spektrálním CT, díky kterému lze VMI vytvořit. Dále bylo provedeno statistické vyhodnocení CT čísel tkání napříč spektrem energií VMI. Bylo zjištěno, že medián CT čísla s rostoucí energií VMI roste, nebo klesá různě strmě v závislosti na tkáni. To přispívá k lepšímu kontrastnímu rozlišení vybraných dvojic tkání na vhodných VMI a tím pádem i jejich lepší segmentaci a klasifikaci na těchto obrazech.
|
|
|
Nástroj pro predikci atributů životního stylu na základě metagenomických dat z tlustého střeva
Kubica, Jan ; Hon, Jiří (oponent) ; Smatana, Stanislav (vedoucí práce)
Tato práce se zabývá analýzou lidského mikrobiomu na základě metagenomických dat z tlustého střeva. Předmětem zkoumání je zastoupení bakterií na různých taxonomických úrovních v závislosti na životním stylu jedince. Byl vytvořen nástroj klasifikující jednotlivé atributy, jako jsou stravovací návyky (vegetarián, vegan, všežravec), citlivost na lepek a laktózu, body mass index nebo věk či pohlaví, s využitím metod strojového učení. Při implementaci byly zvoleny metody k nejbližších sousedů (kNN), náhodný les (RF) a metoda podpůrných vektorů (SVM). Data pro natrénování klasifikátoru a vyhodnocení byla čerpána z projektu American Gut. Práce se rovněž zaobírá problémy spojenými s danými datovými sadami, jako je mnoharozměrnost, řídkost, jejich kompoziční závislost a nevyváženost.
|
host ::
RSS.