|
|
Současné trendy v datové analytice a jejich úspěšné podnikové aplikace
RUBÁŠOVÁ, Anna
Bakalářská práce se zaměřuje na současné trendy v datové analytice a jejich aplikaci do podnikové praxe. V práci je popsán vývoj datové analytiky a metody strojového učení, které jsou využívány pro získání znalostí z dat. Specifický příklad, na kterém je demonstrováno využití strojového učení, se zabývá predikcí výsledků binárního klasifikačního problému, kde jsou historická data využita k předvídání budoucích trendů. Vybrané metody jsou realizovány za využití "no-code" internetového nástroje. V práci je provedena komparativní analýza realizovaných metod. Metody jsou hodnoceny na základě jejich přesnosti a efektivity výpočtu, a následně je identifikována nejvhodnější z nich. Závěrem je vybraná metoda dále optimalizována za využití prahové hodnoty pro dosažení nejlepších výsledků.
|
|
|
Identifikace obsahu šifrovaného video-streamu
MACÁK, Tomáš
Tato práce se zabývá tvorbou datové sady naměřených, šifrovaných video streamů a následnou implementací řešení, které má za cíl identifikovat jejich obsah pomocí metod strojového učení. V teoretické části práce je nejdříve vysvětleno, co to video streaming on demand je a jak funguje. Následně jsou představeny modely strojového učení, které je možné využít k řešení tohoto problému. Kapitolu uzavírá rešerše již vypracovaných prací na podobné téma. V praktické části práce byla vytvořena zmíněná datová sada, která byla následně zanalyzována a byly vytvořeny reprezentace, které měly sloužit jako otisk jednotlivých video streamů. V následující části byly implementovány klasifikační modely a modely pro zkoumání podobnosti, které byly poté trénovány pomocí dříve připravených dat. Na závěr byly modely otestovány a jejich výsledky shrnuty a porovnány.
|
|
|
Anomaly and threat detection in audit logs using machine learning
Ludes, Adam ; Ježek, Štěpán (oponent) ; Tomašov, Adrián (vedoucí práce)
The thesis explores cloud-native architecture, anomaly detection techniques, machine learning, and data analysis to develop an anomaly detection model for audit logs from the Red Hat OpenShift Container Platform. Statistical methods and time series analysis for anomaly detection are introduced, while machine learning models and preprocessing techniques are implemented and evaluated. The results demonstrate limitations in traditional models for handling anomalies in deeply nested data, while the NLP model shows robust performance. This research provides valuable insights and is a reference for researchers and practitioners in cloud-native architecture, anomaly detection, machine learning, and data analysis.
|
|
|
DEEP LEARNING FOR SINGLE-VOXEL AND MULTIDIMENSIONAL MR-SPECTROSCOPIC SIGNAL QUANTIFICATION, AND ITS COMPARISON WITH NONLINEAR LEAST-SQUARES FITTING
Shamaei, Amirmohammad ; Latta,, Peter (oponent) ; Kozubek, Michal (oponent) ; Jiřík, Radovan (vedoucí práce)
Preprocessing, analysis, and quantification of Magnetic resonance spectroscopy (MRS) signals are required for obtaining the metabolite concentrations of the tissue under investigation. However, a fast, accurate, and efficient post-acquisition workflow (preprocessing, analysis, and quantification) of MRS is challenging. This thesis introduces novel deep learning (DL)-based approaches for preprocessing, analysis, and quantification of MRS data. The proposed methods achieved the objectives of robust data preprocessing, fast and efficient MR spectra quantification, in-vivo concentration quantification, and the uncertainty estimation of quantification. The results showed that the proposed approaches significantly improved the speed of MRS signal preprocessing and quantification in a self-supervised manner. Our proposed methods showed comparable results with the traditional methods in terms of accuracy. Furthermore, a standard data format was introduced to facilitate data sharing among research groups for artificial intelligence applications. The findings of this study suggest that the proposed DL-based approaches have the potential to improve the accuracy and efficiency of MRS for medical diagnosis. The dissertation is structured into four parts: an introduction, a review of state-of-the-art research, a summary of the aims and objectives, and a collection of publications that showcase the author's contribution to the field of DL applications in MRS.
|
|
|
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Blaude, Ondřej ; Smital, Lukáš (oponent) ; Provazník, Valentine (vedoucí práce)
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. V kapitole první je krátce popsán úvod k srdci a měření jeho elektrické aktivity, navíc jsou zde krátce popsány abnormality, které budou v práci klasifikovány. Ve druhé kapitole je popsáno, jak bylo EKG diagnostikováno dříve, tedy klasickými metodami, které předcházely hlubokému učení. Zde jsou i zmíněny některé nedostatky, které tyto metody mají právě oproti hlubokému učení. Část třetí již věnuje pozornost hlubokému učení samotnému, jeho přínosu a výhodám ve srovnání s metodami klasickými. Popsány jsou zde i konvoluční neuronové sítě a jejich jednotlivé bloky, později je věnována pozornost i vybraným architekturám, které byly v některých studiích použity. Kapitola čtvrtá se již zaměřuje na praktickou část, v níž jsou podrobněji popsána použitá data z databáze PhysioNet, navržený algoritmus a jeho realizace. V páté kapitole jsou výsledky diskutovány a srovnány výsledky dostupných publikací se související problematikou.
|
|
|
Korekce koncept driftu v predikčních modelech
Michálková, Eva ; Provazník, Valentine (oponent) ; Schwarzerová, Jana (vedoucí práce)
Tato bakalářská práce se zabývá problematikou analýzy koncepčního driftu. Koncepční drift je nežádoucí jev objevující se vlivem dynamického charakteru světa. Tento jev může negativně ovlivňovat přesnost a spolehlivost predikčních modelů. Lze ho korigovat pomocí detekce a následné korekce. Jednou z oblastí, kde se tato problematika v poslední době nově objevuje, je lékařská diagnostika z metabolomických dat. Analýza metabolomických dat může vést ke včasnému odhalení některých závažných onemocnění, což může hrát velkou roli při následné léčbě. Při diagnostice onemocnění představují predikční modely její vylepšení, urychlení a personalizaci. První část práce představuje problematiku koncepčního driftu, metody jeho detekce a korekce, význam metabolomiky a predikčních modelů. Druhá část práce pojednává o implementaci dostupných algoritmů pro detekci a korekci koncepčního driftu a implementaci vlastní automatické korekce koncepčního driftu. Na závěr jsou popsány dosažené výsledky a jejich diskuze.
|
|
|
Detekce defektů desek ve výrobě polovodičů
Jašek, Filip ; Vágner, Martin (oponent) ; Dřínovský, Jiří (vedoucí práce)
Tato diplomová práce se zabývá problematikou detekce defektů desek ve výrobě polovodičů. V rámci této práce byly zkoumány metody identifikace defektních čipů a kontroly řízení výtěžnosti při výrobě polovodičů. Práce se rovněž zabývá metodami strojového učení pro rozpoznání obrazu s cílem klasifikace defektů ve výrobním procesu. První zvolený přístup využíval k inferenci sítě ResNet18, avšak ukázalo se, že jeho přesnost nedosahovala vysokých hodnot sledovaných metrik z důvodu nedostatečného množství vstupních dat. Pro tento sledovaný dataset tak bylo vyzkoušeno použití předtrénovaných sítí využívající topologie ResNet50v2. K navýšení metrik však došlo až s použitím jiného datasetu. Pomocí ladění hyperparametrů sítě a augmentací byly zkoumány další možnosti zlepšení výkonnosti sítě. V práci se také ukázalo, že použití autoenkodérů pro redukci datového toku při inferenci může navýšit rychlost samotné inference, avšak s degradací evaluačních metrik.
|
|
|
Strojové učení z dat systémů pro detekci síťového průniku
Dostál, Michal ; Očenášek, Pavel (oponent) ; Hranický, Radek (vedoucí práce)
Aktuální stav nástrojů pro detekci síťového průniku je nedostačující, protože tyto nástroje často fungují na základě statických pravidel a nevyužívají potenciál umělé inteligence. Cílem této práce je rozšířit open-source nástroj Snort o schopnost detekovat škodlivý síťový provoz pomocí strojového učení. Pro dosažení kvalitního klasifikátoru byly zvoleny užitečné příznaky síťového toku, které byly získány z výstupních dat aplikace Snort. Následně byly tyto toky obohaceny a označeny odpovídajícími událostmi. Experimenty vykazují velmi dobré výsledky nejenom při klasifikaci na testovacích datech, ale také v rychlosti zpracování. Z~navrženého přístupu a samotných experimentů vyplývá, že tento nový přístup by mohl vykazovat dobrou úspěšnost i při práci s reálnými daty.
|
|
|
Interpretace učebního procesu klasifikátoru fibrilace síně
Lichtblauová, Anna ; Ředina, Richard (oponent) ; Novotná, Petra (vedoucí práce)
V rámci teoretické části bakalářské práce byla nastudována problematika detekce fibrilace síní (FS) a práce s konvolučními neuronovými sítěmi (CNN). Následně byly v praktické části vytvořeny dva klasifikátory. První byl určen pro klasifikaci sinusového rytmu, fibrilace síní a ostatních patologií, druhý dále rozlišoval kategorii "fibrilace síní" podle skutečnosti, zda se nacházela v celém záznamu nebo jen v jeho části. Výsledná přesnost byla 82.12~\% v případě prvního, resp. 85.14 \% v případě druhého klasifikátoru.
|
|
|
Identifikace známých segmentů ve zvukovém signálu pomocí strojového učení
Pařízek, Radim ; Galáž, Zoltán (oponent) ; Zvončák, Vojtěch (vedoucí práce)
Bakalářská práce se věnuje návrhu systému pro identifikaci zvuků přírodního prostředí ve zvukovém záznamu. V práci jsou prozkoumány datasety a modely využívané pro tento typ úloh a je popsána jejich struktura. Byly navrhnuty systémy pro identifikaci zvuků v jedné vrstvě a ve dvou vrstvách pro sedm vybraných označení. Klasifikátor použitý pro tento systém byl vytvořen přetrénováním transformer modelu z platformy Hugging Face. Byly zhodnoceny výsledky dvou přístupů trénování a jednoho systému pro identifikaci.
|
host ::
RSS.