|
|
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.
|
|
|
Klasifikace malých nekódujících RNA
Žigárdi, Tomáš ; Martínek, Tomáš (oponent) ; Vogel, Ivan (vedoucí práce)
Tato diplomová práce opisuje návrh a implementaci nástroje pro klasifikaci rostlinných microRNA bez genomu. Použity jsou vlastnosti mature a star sekvencí v microRNA duplexech. Implementována metoda je založena na shlukování RNA sekvencí (nástrojem CD-HIT), hlavne pro redukci jejich počtu. Vybraní reprezentanti z jednotlivých shluků jsou klasifikováni použitím support vector machine. Výkonnost klasifikace je víc než 96% (na základě metody cross-validation, využitím trénovacích dat).
|
|
|
Klasifikační framework
Koroncziová, Dominika ; Otrusina, Lubomír (oponent) ; Kouřil, Jan (vedoucí práce)
Cílem této práce je návrh a implementace klasifikačního software postaveného na knihovně RapidMiner. Výsledná aplikace bude sdružovat nejpoužívanější algoritmy a procesy implementované v RapidMineru do jednoduchého použitelného programu. Součástí nároků na aplikaci je jednoduché rozhraní pro ovládání z příkazové řádky, stejně jako grafické rozhraní zjednodušující nastavení více parametrů. Aplikace má také umožňovat tvorbu samostatných jednoúčelových programů, sloužících na opakovanou klasifikaci s použitím předem natrénovaného modelu. Nad rámec původního zadání je implementována i práce s textovými daty z Wikipedie, jejich stáhnutí a předzpracování a následné použití jako trénovacích dat. Text práce se zabývá postupně jednotlivými algoritmy a popisem kvalifikačních algoritmů, jejich vlastnostmi a použitím, a popisuje návrh a implementaci systému. V rámci práce byla vykonána i sada několika testů pro ověření výkonu a funkcionality aplikace. Jejich výsledky jsou shrnuty v závěru práce.
|
|
|
Neuronové sítě pro lokalizaci lidského obličeje
Libosvár, Jakub ; Řezníček, Ivo (oponent) ; Španěl, Michal (vedoucí práce)
Bakalářská práce pojednává o problematice detekce a lokalizace lidského obličeje v obraze. Jsou zde popsány možnosti současných metod a umělých neuronových sítí. Práce vychází z výzkumu H. Rowleyho. Prakticky je práce zaměřena na implementaci programu, který je schopen na základě trénovacích a testovacích obrázkových sad natrénovat umělou neuronovou síť pro rozpoznávání lidských obličejů.
|
|
|
Detekce fibrilace síní v EKG záznamu
Húsková, Michaela ; Vítek, Martin (oponent) ; Maršánová, Lucie (vedoucí práce)
Cílem práce je popsat problematiku fibrilace síní a metody umožňující její detekci v elektrokardiogramu. V úvodu teoretického rozboru je vysvětlena podstata elektrofyziologie srdce, a především patofyziologie fibrilace síní. Dále se práce věnuje popisu metod automatické detekce fibrilace síní a možnostem databáze PhysioNet. V praktické části jsou realizovány metody pomocí programového prostředí MATLAB. Po použití statistické analýzy pro zhodnocení kvality parametrů následuje automatická klasifikace dat metodou nejbližšího souseda. Na závěr je prezentována úspěšnost testování.
|
|
|
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.
|
|
|
Statistical models for an MTPL portfolio
Pirozhkova, Daria ; Zimmermann, Pavel (vedoucí práce) ; Malá, Ivana (oponent)
In this thesis, we consider several statistical techniques applicable to claim frequency models of an MTPL portfolio with a focus on overdispersion. The practical part of the work is focused on the application and comparison of the models on real data represented by an MTPL portfolio. The comparison is presented by the results of goodness-of-fit measures. Furthermore, the predictive power of selected models is tested for the given dataset, using the simulation method. Hence, this thesis provides a combination of the analysis of goodness-of-fit results and the predictive power of the models.
|
|
|
Detekce fibrilace síní v EKG záznamu
Húsková, Michaela ; Vítek, Martin (oponent) ; Maršánová, Lucie (vedoucí práce)
Cílem práce je popsat problematiku fibrilace síní a metody umožňující její detekci v elektrokardiogramu. V úvodu teoretického rozboru je vysvětlena podstata elektrofyziologie srdce, a především patofyziologie fibrilace síní. Dále se práce věnuje popisu metod automatické detekce fibrilace síní a možnostem databáze PhysioNet. V praktické části jsou realizovány metody pomocí programového prostředí MATLAB. Po použití statistické analýzy pro zhodnocení kvality parametrů následuje automatická klasifikace dat metodou nejbližšího souseda. Na závěr je prezentována úspěšnost testování.
|
|
|
Klasifikační framework
Koroncziová, Dominika ; Otrusina, Lubomír (oponent) ; Kouřil, Jan (vedoucí práce)
Cílem této práce je návrh a implementace klasifikačního software postaveného na knihovně RapidMiner. Výsledná aplikace bude sdružovat nejpoužívanější algoritmy a procesy implementované v RapidMineru do jednoduchého použitelného programu. Součástí nároků na aplikaci je jednoduché rozhraní pro ovládání z příkazové řádky, stejně jako grafické rozhraní zjednodušující nastavení více parametrů. Aplikace má také umožňovat tvorbu samostatných jednoúčelových programů, sloužících na opakovanou klasifikaci s použitím předem natrénovaného modelu. Nad rámec původního zadání je implementována i práce s textovými daty z Wikipedie, jejich stáhnutí a předzpracování a následné použití jako trénovacích dat. Text práce se zabývá postupně jednotlivými algoritmy a popisem kvalifikačních algoritmů, jejich vlastnostmi a použitím, a popisuje návrh a implementaci systému. V rámci práce byla vykonána i sada několika testů pro ověření výkonu a funkcionality aplikace. Jejich výsledky jsou shrnuty v závěru práce.
|
|
|
Neuronové sítě pro lokalizaci lidského obličeje
Libosvár, Jakub ; Řezníček, Ivo (oponent) ; Španěl, Michal (vedoucí práce)
Bakalářská práce pojednává o problematice detekce a lokalizace lidského obličeje v obraze. Jsou zde popsány možnosti současných metod a umělých neuronových sítí. Práce vychází z výzkumu H. Rowleyho. Prakticky je práce zaměřena na implementaci programu, který je schopen na základě trénovacích a testovacích obrázkových sad natrénovat umělou neuronovou síť pro rozpoznávání lidských obličejů.
|
host ::
RSS.