|
|
Strojové učení pro analýzu MR obrazů mozku
Král, Jakub ; Říha, Ivo (oponent) ; Provazník, Ivo (vedoucí práce)
Diplomová práce se věnuje metodám strojového učení v rozpoznávání první fáze schizofrenie na obrazech získaných z nukleární magnetické rezonance. Úvod práce je zaměřen především na fyzikální princip magnetické rezonance. V práci se dále pozornost věnuje registračním metodám, redukci dat a strojovému učení. V části klasifikace jsou popsány míry podobnosti, metoda podpůrných vektorů, nejbližších sousedů a metoda K-means. Závěr teoretické části se věnuje hodnocení klasifikátorů. V praktické části práce jsou uvedeny výsledky redukce dat metodou PCA, CRLS-PCA a subjektové PCA. Dále je praktická část zaměřena na rozpoznávání tvarů metodou K-NN a K-means a testování klasifikátoru K-NN na reálných datech. Abnormality rozpoznané některou z klasifikačních metod pak mohou umožnit rozlišení pacientů se schizofrenií od zdravých dobrovolníků.
|
|
|
Rozeznávání vzorů v dynamických datech
Hovanec, Stanislav ; Hynčica, Ondřej (oponent) ; Honzík, Petr (vedoucí práce)
V této diplomové práci je prvně provedena rešerše v oblasti popisu a analýzy časově proměnných dat. Práce následně uvádí problematiku technické analýzy burzovních grafů, cenových vzorů, indikátorů technické analýzy a metody Pure price action. Na praktickém příkladě dvou reálných obchodů je vysvětlena aplikace metody Pure price action v praxi za účelem vyhledávání a rozpoznávání cenových vzorů, analýzy a predikce dalšího možného vývoje ceny finančního instrumentu. Také je krátce vysvětlen samotný proces úspěšného obchodování. Následně je probráno téma Rozeznávání Vzorů a metoda Učení založené na instancích. V praktické části je pomocí programu MATLAB realizován algoritmus rozeznávání cenového vzoru Korekce pro nákup a prodej v dynamických časových řadách, konkrétně v cenových burzovních grafech, jakými jsou komoditní nebo akciové průběhy cen v závislosti na čase. Pro analýzu časových řad je použita metoda Pure price action. Metoda Učení založené na instancích řeší algoritmus vyhledávání cenových vzorů. Vytvořený algoritmus je ověřen na reálných datech 5-ti minutového úsečkového grafu USA indexu Dow Jones za rok 2006, 2007 a 2008. Dosažená úspěšnost a přesnost predikce je vyhodnocena pomocí Equity křivky.
|
|
|
Vyhledávání vzorů v dynamických datech
Budík, Jan ; Hynčica, Ondřej (oponent) ; Honzík, Petr (vedoucí práce)
V první kapitole je nastíněna problematika rozpoznávání vzorů. Druhá kapitola pojednává o možných řešeních problému za použití umělé inteligence a popisuje základní teorie statistiky a chaosu. Třetí kapitola je zaměřena na problematiku časových řad, jejich typů, problémů a předzpracování. Je zde také popsán typ časových řad ve finančnictví. Čtvrtá kapitola pojednává o problematice rozpoznávání vzorů a predikce. Je zde popsána metoda učení, která je použita. Poslední kapitola popisuje vývoj programu a jeho jednotlivé části a jsou zde zobrazeny dosažené výsledky.
|
|
|
Detekce logopedických vad v řeči
Pešek, Milan ; Smékal, Zdeněk (oponent) ; Atassi, Hicham (vedoucí práce)
Tato práce se zabývá návrhem a realizací softwarového nástroje pro detekci logopedických vad v řeči. Jelikož je třeba odhalit logopedické vady v řeči co nejdříve, je tento nástroj zaměřen na mluvčí dětského věku. Úvodem text popisuje teorii vytváření řeči, modelování vytváření řeči pro její číslicové zpracování, fonetiku, logopedii a základní logopedické vady v řeči. Dále jsou popsány použité metody pro extrakci příznaků, pro segmentaci slov na hlásky a pro klasifikaci příznaků do tříd vadné a správné výslovnosti. V závěru textu jsou uvedeny výsledky testování vybraných metod. K rozpoznání logopedických vad v řeči jsou použity algoritmy pro extrakci příznaků MFCC (Melovské kepstrální koeficienty) a PLP (Perceptivní lineární predikce). Segmentace slova na hlásky je provedena pomocí metody sledování rozdílnosti příznaků. Extrahované příznaky hlásky jsou klasifikovány do tříd vadné nebo správné výslovnosti jednou z testovaných metod rozpoznání vzoru. Pro klasifikaci příznaků jsou testovány metody k-NN (Algoritmus k-nejbližších sousedů), SVM (Algoritmy podpůrného učení), ANN (Umělé neuronové sítě) a GMM (Smíšené Gaussovy modely).
|
|
|
Klasifikace objektů v obrazech
Gabriel, Petr ; Petyovský, Petr (oponent) ; Janáková, Ilona (vedoucí práce)
Tato diplomová práce se zabývá problematikou klasifikace objektů na základě příznaků získaných z obrazů. Práce patří do oboru počítačového vidění. Popisuje možné nástroje pro klasifikaci (např. neuronové sítě, rozhodovací stromy, atd.). Nezbytnou součástí je popis objektů pomocí příznaků. Příznaky jsou vstupními daty klasifikátoru. Praktická část práce se zabývá klasifikací souboru předmětů, které se běžně vyskytují doma (nůžky, CD, lepicí páska, atd.). Analyzovaný obraz je předzpracován, prahován v barevném modelu HSV. Následně jsou rekonstruovány defekty vzniklé segmentací pomocí morfologických operací. Poté jsou určeny hodnoty příznaků, které jsou vstupem klasifikátoru. Klasifikátor má podobu rozhodovacího stromu.
|
|
|
Approximating Probability Densities by Mixtures of Gaussian Dependence Trees
Grim, Jiří
Considering the probabilistic approach to practical problems we are increasingly confronted with the need to estimate unknown multivariate probability density functions from large high-dimensional databases produced by electronic devices. The underlying densities are usually strongly multimodal and therefore mixtures of unimodal density functions suggest themselves as a suitable approximation tool. In this respect the product mixture models are preferable because they can be efficiently estimated from data by means of EM algorithm and have some advantageous properties. However, in some cases the simplicity of product components could appear too restrictive and a natural idea is to use a more complex mixture of dependence-tree densities. The dependence tree densities can explicitly describe the statistical relationships between pairs of variables at the level of individual components and therefore the approximation power of the resulting mixture may essentially increase.
|
|
|
Využití pokročilých statistických metod pro zpracování obrazu fluorescenční emise rostlin ovlivněných lokálním biotickým stresem
MATOUŠ, Karel
Zobrazovací chlorofylová fluorometrie rostlin je neinvazivní technika používaná v rostlinné fyziologii, molekulární biologii, biotechnologii a v přesném zemědělství. V sekvencích obrazů zachycuje dynamiku fluorescenční emise chlorofylu, která odráží fotosyntetickou aktivitu rostlin a její změny v čase a prostoru. Cílem této disertační práce je přispět k rozvoji a uplatnění kinetické zobrazovací fluorometrie rostlin zavedením a užitím pokročilých statistických metod analýzy dat. Metody statistického příznakového rozpoznávání umožňují zjistit, ve kterých obrazech z fluorescenční sekvence je obsažena nejbohatší informace o sledovaném biotickém stresu, a tak nalézt malé množiny fluorescenčních obrazů vhodných pro další analýzu. Omezoval jsem se na ty statistické metody výběru obrazů, resp. příznaků, které jsou velmi potentní při zachování realistické výpočetní náročnosti.
|
|
|
Fast Dependency-Aware Feature Selection in Very-High-Dimensional Pattern Recognition Problems
Somol, Petr ; Grim, Jiří
The paper addresses the problem of making dependency-aware feature selection feasible in pattern recognition problems of very high dimensionality. The idea of individually best ranking is generalized to evaluate the contextual quality of each feature in a series of randomly generated feature subsets. Each random subset is evaluated by a criterion function of arbitrary choice (permitting functions of high complexity). Eventually, the novel dependency-aware feature rank is computed, expressing the average benefit of including a feature into feature subsets. The method is efficient and generalizes well especially in very-high-dimensional problems, where traditional context-aware feature selection methods fail due to prohibitive computational complexity or to over-fitting. The method is shown well capable of over-performing the commonly applied individual ranking which ignores important contextual information contained in data.
|
|
|
Introduction to Feature Selection Toolbox 3 – The C++ Library for Subset Search, Data Modeling and Classification
Somol, Petr ; Vácha, Pavel ; Mikeš, Stanislav ; Hora, Jan ; Pudil, Pavel ; Žid, Pavel
We introduce a new standalone widely applicable software library for feature selection (also known as attribute or variable selection), capable of reducing problem dimensionality to maximize the accuracy of data models, performance of automatic decision rules as well as to reduce data acquisition cost. The library can be exploited by users in research as well as in industry. Less experienced users can experiment with different provided methods and their application to real-life problems, experts can implement their own criteria or search schemes taking advantage of the toolbox framework. In this paper we first provide a concise survey of a variety of existing feature selection approaches. Then we focus on a selected group of methods of good general performance as well as on tools surpassing the limits of existing libraries. We build a feature selection framework around them and design an object-based generic software library. We describe the key design points and properties of the library.
|
|
|
Sequential Retreating Search Methods in Feature Selection
Somol, Petr ; Pudil, Pavel
Inspired by Floating Search, our new pair of methods, the Sequential Forward Retreating Search (SFRS) and Sequential Backward Retreating Search (SBRS) is exceptionally suitable for Wrapper based feature selection. (Conversely, it cannot be used with monotonic criteria.) Unlike most of other known sub-optimal search methods, both the SFRS and SBRS are parameter-free deterministic sequential procedures that incorporate in the optimization process both the search for the best subset and the determination of the best subset size. The subset yielded by either of the two new methods is to be expected closer to optimum than the best of all subsets yielded in one run of the Floating Search. Retreating Search time complexity is to be expected slightly worse but in the same order of magnitude as that of the Floating Search. In addition to introducing the new methods we provide a testing framework to evaluate them with respect to other existing tools.
|
host ::
RSS.