|
|
Meření podobnosti obrazů s pomocí hlubokého učení
Štarha, Dominik ; Šeda, Pavel (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato diplomová práce se zabývá výzkumem technologií, využívajících metod hlubokého učení, využitelných při zpracovávání obrazových dat. Konkrétním zaměřením práce je zhodnotit vhodnost a efektivnost hlubokého učení při porovnávání dvou vstupních obrazových dat. První – teoretická – část zahrnuje úvod do problematiky neuronových sítí a hlubokého učení. Obsahuje popis dostupných možností a jejich výhody a principy, vhodné při zpracování obrazových dat. Druhá – praktická – část práce obsahuje návrh vhodného modelu siamských sítí pro řešení problému problematiky porovnávání dvou vstupních obrazů a vyhodnocení jejich podobnosti. Výstupem je zhodnocení několika možných konfigurací modelu a vyzdvihnutí parametrů modelu s nejlepšími výsledky.
|
|
|
Rekurentní neuronové sítě pro klasifikaci textů
Myška, Vojtěch ; Kolařík, Martin (oponent) ; Povoda, Lukáš (vedoucí práce)
Diplomová práce se zabývá návrhem neuronových sítí pro klasifikaci pozitivních a negativních textů. Vývoj probíhal v programovacím jazyce Python. Návrh modelů hlubokých neuronových sítí byl proveden pomocí vysokoúrovňového API Keras využívající knihovnu pro numerické výpočty TensorFlow. Výpočetní operace byly provedeny pomocí GPU využívající CUDA architekturu. Výstupem práce je jazykově nezávislý model neuronových sítí umožňující klasifikaci textů na úrovni znaků. Vzorky byly úspěšně klasifikovány až v 93,64% případů. Trénovací a testovací data byla poskytnuta vícejazyčnou a Yelp databází. Simulace byly provedeny na 1200000 anglických, 12000 českých, německých a španělských textů.
|
|
|
Analýza finančních trhů s pomocí hlubokého učení
Nimrichter, Adam ; Burget, Radim (oponent) ; Mašek, Jan (vedoucí práce)
Práce se zabývá metodami pro analýzu finančních trhů zaměřených na virtuální měny. V souvislosti s virtuálnimi měnami je v teoretické části práce pojednáno o technologii decentralizované databáze, pomocných finančních indikátorech a umělých neuronových sítích s rekurentní architekturou. Konkrétním cílem práce je vytvořit systém pro udělení doporučení k nákupu, či prodeji dané měny. Systém sestává z navržené finanční strategie a predikované hodnoty, k čemuž je využito finančních ukazatelů a neuronové LSTM sítě. Testování bylo realizováno na historických datech z roku 2017 pro měny Bitcoin, Litecoin a Ethereum.
|
|
|
Codec Detection from Speech
Jon, Josef ; Matějka, Pavel (oponent) ; Černocký, Jan (vedoucí práce)
This thesis deals with codec detection from compressed speech signal. The primary goal was to identify which features distinguish selected codecs, and then create an environment facilitating experiments with various types of classifiers and their configurations. Support vector machines and neural networks, modeled using the Keras library, were used. The main contribution of this work is the experimental part, in which the effects of the neural networks parameters are discussed. After tuning the parameters and finding their optimal values, the network achieved accuracy over 98% on a test set comprising data from six different codecs.
|
|
|
Bayesovské a neuronové sítě
Hložek, Bohuslav ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce představuje Bayesovskou neuronovou síť na základě modelu Occamovy břitvy. První část práce shrnuje základní poznatky o neuronových sítích a Bayesovo pravidlo. Je vysvětlen princip Occamova ostří a detaily Bayesovské neuronové sítě. Rovněž je představen reálný příklad použití k predikci sesuvu půdy. V druhé části práce je představeno, jak vytvořit Bayesovskou neuronovou sít v jazyce Python. Je ukázán demonstrační program, který na experimentálních datech ukazuje vlastnosti Bayesovských neuronových sítí.
|
|
|
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Talár, Ondřej ; Galáž, Zoltán (oponent) ; Harár, Pavol (vedoucí práce)
Práce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python. Jsou prozkoumány a popsány kandidátní sítě pro možné řešení, následně je provedeno několik experimentů pro zjištění skutečného chování neuronové sítě.
|
|
|
Detekce a rozpoznávaní tváře s využitím platformy Raspberry Pi
Rozhoňová, Andrea ; Mézl, Martin (oponent) ; Hesko, Branislav (vedoucí práce)
Následující bakalářská práce se věnuje problematice detekce a rozpoznání tváří v obraze. Teoretická část rozděluje metody detekce a rozpoznání obličeje do několika skupin, které jsou poté blíže popsány a vysvětleny. Na konci teoretické části je shrnuto současné využití rozpoznání osob na základě tváří v praxi. V praktické části je implementovaná metoda detekce obličeje jako kombinace přístupu, který využívá haarovy příznaky a přístupu s vyhledáváním pomocí šablony oka. Následné rozpoznání zajišťuje konvoluční neuronová síť. Závěrem jsou shrnuty zásady a problémy spojené s implementací na mikropočítač Raspberry Pi.
|
|
|
Image annotation using deep learning
Zarapina, Natalya ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This semester thesis describes the design and implementation of the client-server program for classification and localization of certain elements which are present in provided images. This program loads a set of images and use deep learning, especially deep convolution neural network perform a classification. First part describes the architecture, basic principles of operations in convolution network and chosen machine learning algorithms for classification. Second part contains a description of created program.
|
|
|
Hluboké učení pro klasifikaci textů
Kolařík, Martin ; Harár, Pavol (oponent) ; Povoda, Lukáš (vedoucí práce)
Práce se zabývá rozborem současných metod strojového učení používaných pro emoční klasifikaci textových dat a testováním různých architektur neuronových sítí na problému binární klasifikace textů na pozitivní a negativní. Výstupem práce je návrh vlastní architektury hluboké konvoluční neuronové sítě, která je optimalizovaná pro problém a dosáhla úspěšnosti 79,9 procent. Navrhovaná metoda není závislá na použitém jazyce a je možno ji aplikovat i při využití méně detailně vytvořených vstupních trénovacích databází. Trénovací a testovací množina dat se skládala z kratších amatérských filmových recenzí v češtině a angličtině. Skripty byly psány v programovacím jazyce Python, využita byla knihovna pro modelování neuronových sítí Keras a výpočetní knihovna Theano. Kvůli zvýšení rychlosti výpočtu byly početní operace prováděny přes architekturu CUDA na grafické kartě. Součástí práce je také přehled teoretického základu pro práci s konvolučními neuronovými sítěmi a historie neuronových sítí.
|
|
|
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Talár, Ondřej ; Galáž, Zoltán (oponent) ; Harár, Pavol (vedoucí práce)
Práce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python a jsou prozkoumány a popsány kandidátní sítě pro možné řešení.
|
host ::
RSS.