|
|
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.
|
|
|
Využití strojového učení pro predikci vlivu mutací na stabilitu proteinů
Dúbrava, Juraj Ondrej ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
Táto práca sa zaoberá predikciou vplyvu aminokyselinových mutácií na stabilitu proteínu. Cieľom bolo vytvorenie nástroja klasifikujúceho výsledný charakter mutácie s využitím kombinácie viacerých metód strojového učenia. Implementovaný prístup kombinujúci metódy SVM a Random Forest dosiahol lepšie výsledky ako použitie metód samostatne. Nástroj bol porovnaný s dostupnými nástrojmi na nezávislom datasete na ktorom dosiahol úspešnosť predikcie 67 % a koreláciu 0,3.
|
|
|
Optimalizace strojového učení pro predikci KPI
Haris, Daniel ; Burget, Radek (oponent) ; Bartík, Vladimír (vedoucí práce)
Cieľom tejto práce je optimalizácia strojového učenia pre predikciu KPI metrík pre jednu organizáciu. Organizácia predpovedá oneskorenie termínov ukončenia poslednej fázy projektov v procese vývoja pomocou strojového učenia. Práca sa zameriava na analýzu predikčných modelov a stanoví si za cieľ vybrať nové kandidátne modely na predikciu. V rámci práce sme implementovali systém, ktorý automaticky vyberie najlepšie rysy pre učenie. Naučené modely sme vyhodnotili pomocou rôznych výkonnostných metrík a vybrali najlepšie kandidátne modely. Kandidátne modely majú vyššiu presnosť predpovede, čo pre organizáciu znamená, že sa zvýšila dôveryschopnosť predpovede oneskorenia. V závere práce sme navrhli ďalšie vylepšenia, ktoré by mohli zvýšiť presnosť predpovede.
|
|
|
Rozpoznání dopravních prostředků pomocí signálů snímaných chytrým telefonem
Nevěčná, Leona ; Vítek, Martin (oponent) ; Smíšek, Radovan (vedoucí práce)
Díky vývoji v poslední době přibývá miniaturizovaných senzorů umísťovaných do chytrých telefonů jako jsou akcelerometr, gyroskop, magnetometr, přijímač souřadnic globálního pozičního systému (GPS), mikrofon a dalších. Použití těchto senzorů k rozpoznávání lidské aktivity, za účelem zlepšení péče o zdraví je stále více aktuálním tématem. Výhodou použití chytrého telefonu k sledování aktivity osob je, že se jedná o přístroj, který u sebe měřená osoba má a nejsou s měřením žádné dodatečné náklady, nevýhodou je omezená paměť i kapacita baterie. Proto byly vybrány pouze senzory akcelerometr, gyroskop, magnetometr a mikrofon, jejichž kombinací je dosaženo nejlepšího výsledku. Senzor GPS nebyl použit pro svou energetickou náročnost a hlavně nespolehlivost vzorkování. Z naměřených dat byly vypočítány příznaky, které byly použity pro tvorbu klasifikačního modelu. Nejvyšší úspěšnosti bylo dosaženo metodou strojového učení zvanou náhodný les (angl. Random Forest). Hlavním cílem práce je vytvořit algoritmus pro rozpoznání dopravních prostředků ze signálů naměřených chytrým telefonem. Vytvořený algoritmus zvládá rozpoznání chůze a jízdy autem, autobusem, tramvají, vlakem a na kole s úspěšností 97,4 % při validaci na 20 % pozdržených dat. Při testování na sadě dat od desátého dobrovolníka byla výsledná úspěšnost vypočítaná jako průměr úspěšností rozpoznání jednotlivých druhů přepravy 90,49 %.
|
|
|
Comparison of different models for forecasting of Czech electricity market
Kunc, Vladimír ; Krištoufek, Ladislav (vedoucí práce) ; Kopečná, Vědunka (oponent)
Mnoho rozdílných přístupů jako jsou umělé neuronové sítě nebo SVR bývá použito v literatuře. Tato práce poskytuje srovnání několika rozdílných metod v jednotných podmínkách za použití dat z Českého trhu s elektřinou. Výsledné srovnání více jak 5000 modelů vedlo k vybrání několika nejlepších modelů. Tato práce také vyhodnocuje roli historických meteorologických dat (teplota, rosný bod a vlhkost) - bylo zjištěno, že třebaže použití meteorologických může vést k přeučení, za vhodných podmínek může také vést k přesnějším modelům. Nejlepší testovaný přístup představovala Lasso regrese. 1
|
|
|
Software using random forest for risk prediction of heart valve surgery patients
HERMANUTZ, Georg
CASPeR - Cardiac surgery prediction tool for risk stratification of heart valve surgeries is presented. The base builds a machine learning pipeline for training a random forest classifier which predicts the mortality after a certain amount of days after the surgery was performed. The classifier also offers a list of potential risk factors through its in build feature selection. With a survival analysis the groups "high-risk" and "low-risk" are compared with each other to check for statistical difference. The tool uses "Shiny" a R package which offers a web frame work to develop data analysis visualizations for the User Interface. CASpeR is delivered as a Microsoft Windows standalone desktop application, that comes with a .exe installer and a detailed manual.
|
|
|
Využití vybraných metod strojového učení pro modelování kreditního rizika
Drábek, Matěj ; Witzany, Jiří (vedoucí práce) ; Málek, Jiří (oponent)
Diplomová práce je členěna na tři základní části. V té první se věnuji P2P úvěrování, jeho charakteristikám, základním konceptům a jejich promítnutím v praxi. Srovnávám v ní také P2P trh u nás, ve Velké Británii a v USA. V druhé části této práce popisuji teoretická východiska vybraných metod strojového učení, kterými jsou naivní bayesovský klasifikátor, klasifikační strom, náhodný les a logistická regrese. Také zde popisuji způsoby stanovení úspěšnosti těchto modelů. Ve třetí části pak uvádím postup, kterým se tyto metody převádí do praxe, a to od přípravy dat přes optimalizaci parametrů až po zhodnocení úspěšnosti modelu.
|
|
|
Využití statistických metod při oceňování nemovitostí
Funiok, Ondřej ; Pecáková, Iva (vedoucí práce) ; Řezanková, Hana (oponent)
Diplomová práce se zabývá oceňováním nemovitostí v České republice za pomocí statistických metod. Práce se zaměřuje komplexní úlohu založenou na datech z inzertního webového portálu. Cílem diplomové práce je vytvoření prototypu statistického predikčního modelu pro oceňování obytných nemovitostí v Praze a jeho vyhodnocení pro další možnosti rozšiřování. Struktura práce je koncipovaná podle metodiky CRISP-DM. Na předzpracovaných datech jsou postupně vyzkoušeny metody regresních stromů a náhodných lesů, pomocí kterých je predikována cena nemovitostí.
|
|
|
Sémantické rozpoznávání komentářů na webu
Stříteský, Radek ; Harár, Pavol (oponent) ; Povoda, Lukáš (vedoucí práce)
Hlavním cílem semestrálního projektu je rozpoznávání komentářů na webových strán- kách. Teoretická část je zaměřena na umělou inteligenci, zejména se zde popisují klasi- fikátory. Praktická část se věnuje sestavení trénovací databáze, která se vytváří pomocí generátorů příznaků. Vygenerovaný příznak může být například název HTML elementu, ve kterém se nachází komentář. Vstupem klasifikátorů je vytvořená trénovací databáze. Výsledkem práce je testování klasifikátorů v programu RapidMiner.
|
|
|
Rozšiřující modul platformy 3D Slicer pro segmentaci tomografických obrazů
Chalupa, Daniel ; Jakubíček, Roman (oponent) ; Mikulka, Jan (vedoucí práce)
Tato práce pojednává o využití strojového učení při úlohách klasifikace medicínských obrazů. Obsahuje literární rešerši pojednávající o klasických a moderních metodách segmentace obrazů. Hlavním cílem práce je navržení a vytvoření rozšíření pro platformu 3D Slicer. Rozšíření využívá strojové učení ke klasifikaci obrazů dle zadaných parametrů. Testování rozšíření probíhá na reálných tomografických obrazech z nukleární magnetické rezonance a sleduje přesnost klasifikace a využitelnost v praxi.
|
host ::
RSS.