|
|
Systém pro doporučování filmů
Janko, Pavel ; Zbořil, František (oponent) ; Šůstek, Martin (vedoucí práce)
Tato práce se zabývá především přístupy k sestrojení systému pro doporučování filmů. Je zde obecně popsán princip neuronových sítí a rovněž jsou zde shrnuty základní i pokročilé techniky pro tvorbu doporučovacích systémů. Jádrem práce je návrh, implementace a experimentování se systémem, jehož cílem je doporučování filmů na základě dat pocházejících z volně dostupných datových sad. Pro předpovědi hodnocení, které by uživatel udělil filmům po jejich shlédnutí, systém využívá faktorizační model založený na kolaborativním filtrování. Práce dále řeší souvislosti konfigurace hyperparametrů modelu s přesností doporučení, provádění experimentů za účelem zlepšení přesnosti modelu a nakonec srovnání modelu s existujícími řešeními.
|
|
|
Zvyšování konzistence v datových sadách pro rozpoznávání textu
Tvarožný, Matúš ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá zvyšovaním konzistencie dátových sád pre rozpoznávanie textu. V tejto práci sú popísane problémy, ktoré nekonzistenciu spôsobujú a následne sú predstavené riešenia na jej odstránenie. Skúmaný je vplyv vlastností polygónov definujúcich ohraničenie riadkov a teda to ako upravená verzia dátovej sady, ktorá je zložená z ideálnych variant riadkov ovplyvnila presnosť modelu. Ďalej sa práca zameriava na detekciu a následné odstránenie alebo upravenie riadkov, ktorých prepis ground truth nekorešponduje so skutočným textom, ktorý sa na nich nachádza. Experimentovaním sa ukázalo, že odstránenie vizuálnej nekonzistencie na trénovacej sade nemá zásadný vplyv na natrénovanosť modelu, za to poupravením testovacej sady sa presnosť OCR modelu zlepšila o 1.1\% CER. Upravením dátovej sady tak, aby neobsahovala navzájom nekonzistentné dvojice rozpoznávaného textu a príslušnej ground truth, sa model po opätovnom natrénovaní zlepšil maximálne len o 0.2\% CER. Hlavným zistením tejto práce je predovšetkým preukázaný priaznivý účinok odstránenia nekonzistencie na testovacích sadách, vďaka ktorému je možné zistiť reálnejšiu chybovosť OCR modelu.
|
|
|
Network Forensics Tools Survey and Taxonomy
Zembjaková, Martina ; Ryšavý, Ondřej (oponent) ; Pluskal, Jan (vedoucí práce)
This master's thesis addresses network forensic tools survey and taxonomy. It describes network forensics fundamentals, including network forensic process models, techniques, and evidence sources. Furthermore, the project contains a survey of existing network forensic tools taxonomies, including their comparison, followed by the network forensic tools survey. In addition to the tools mentioned in the taxonomy survey, the survey is extended to other network tools. Subsequently, the detailed description and comparison of available datasets that can be analyzed using the forensic tools are provided in this project. According to the information obtained from surveys, frequent use cases for forensic tools are designed, and the tools are demonstrated within the description of individual use cases. In addition to publicly available datasets, the demonstration also uses newly created datasets described in detail in its chapter. Based on the gained information, new taxonomy is designed. This taxonomy is based on the use cases of the tools in contrast to other taxonomies based on NFATs and NSM tools, user interface, capturing the data, analysis, or type of forensics.
|
|
|
Detection of Fake News Using Machine Learning
Koreň, Matej ; Zbořil, František (oponent) ; Hříbek, David (vedoucí práce)
This thesis focuses on the use of machine learning in fake news detection. For this purpose, four models have been selected – Bayesian, Decision Tree, Support Vector Machine and a Neural Network. In five experiments on various datasets, these models were trained, tested, evaluated and compared with state-of-the-art methods. Final implementation is in the form of a Python package, which allows it’s users to replicate this procedure with their own data. Beyond the assignment, Slovak dataset Dezinfo SK was created.
|
|
|
Akcelerace algoritmu pro rozpoznávání obličeje pomocí Neural Compute Stick 2
Mičánková, Eva ; Beran, Jan (oponent) ; Goldmann, Tomáš (vedoucí práce)
Tato práce je zaměřena na problematiku rozpoznávání obličejů v obraze pomocí neuronových sítí a jejich akceleraci. Obsahuje souhrn dříve používaných technik a zabývá se využitím dnes dominujících konvolučních neuronovýh sítí pro řešení této problematiky. Práce se také zaměřuje na mechanismy akcelerace, které lze v této oblasti použít. Na základě znalostí problematiky získaných studiem byl vytvořen systém na konceptu edge computingu, který může být použit jako domácí bezpečnostní systém připojený k IP kameře, který zasílá upozornění o přítomnosti neznámé osoby ve střežené oblasti.
|
|
|
Datové sady pro síťovou bezpečnost
Setinský, Jiří ; Hranický, Radek (oponent) ; Tisovčík, Peter (vedoucí práce)
V oblasti síťové bezpečnosti se používají techniky strojového učení pro efektivní detekci anomálií a malwaru v síťovém provozu. Pro natrénování síťového klasifikátoru s vysokou úspěšností je potřeba kvalitní datová sada. Cílem práce je modifikace datové sady pomocí metod strojového učení za účelem zlepšení kvality datové sady, která povede na natrénování modelu s vyšší úspěšností. Datová sada je zanalyzována shlukovacím algoritmem a každý shluk je charakterizován statistickým popisem vyplývající z atributů vstupní datové sady. Statistický popis spolu s informacemi o původním klasifikátoru je použit pro výpočet skóre. Skóre slouží jako váha při modifikační fázi. Shluková analýza umožní vyfiltrovat data, která jsou důležitá pro natrénování výsledného modelu. Navržený přístup umožňuje zmírnit redundanci datové sady a nebo ji rozšířit o chybějící data. Výsledkem je modifikační framework, který je schopen redukovat datové sady nebo provádět jejich agregaci za účelem vytvoření kompaktní datové sady, která bude reflektovat aktuální síťový provoz. Na vytvořených datových sadách se podařilo natrénovat modely dosahující vyšší úspěšnosti v porovnání s existujícím řešením.
|
|
|
Model of Cycling Traffic Intensity in Brno
Eliáš, Radoslav ; Burget, Radek (oponent) ; Hynek, Jiří (vedoucí práce)
The Brno Data Department has access to multiple datasets regarding cycling traffic numbers. The goal of the thesis was developing a model integrating these sources for the Transportation Department of the city planning office to gain insights about how the infrastructure is used daily. Each dataset is aggregated to a different basemap with a slightly different street network. This thesis introduces an algorithmic approach to street matching based on similarity, overlap percentage and other parameters. Two algorithms for matching point-based and polyline-based geometries are presented. As well as a model mapping locations among different datasets and a dashboard visualizing values from them side-by-side. The robustness of the algorithms enables usage in any geographical application using spatial data. The dashboard provides useful information about cycling transport for both casual users and professionals designing the infrastructure of Brno.
|
|
|
Relation Extraction from Text
Královič, Kristián ; Ondřej, Karel (oponent) ; Smrž, Pavel (vedoucí práce)
This bachelor thesis focuses on the extraction of semantic relations between named entities in natural text using learning with a small number of supporting examples. The theoretical part of the thesis introduces methods for natural language representation using dense vectors and named entity recognition. Next, deep learning based approaches for semantic relation extraction are described. The theoretical part also includes a description of learning with a small number of training examples in the context of semantic relation extraction In the implementation part, a system for extracting semantic relations from text has been proposed. The system uses pairwise classifiers based on pre-trained language models like transformers to classify the relations. For the purpose of this work, the ELECTRA-PAIR, RoBERTa-PAIR and BERT-PAIR models were trained. In the experimental part of the thesis, these models are evaluated over different datasets. The experimental part also includes experiments aimed at classifying more complex semantic relations.
|
|
|
Zvyšování konzistence v datových sadách pro rozpoznávání textu
Tvarožný, Matúš ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá zvyšovaním konzistencie dátových sád pre rozpoznávanie textu. V tejto práci sú popísane problémy, ktoré nekonzistenciu spôsobujú a následne sú predstavené riešenia na jej odstránenie. Skúmaný je vplyv vlastností polygónov definujúcich ohraničenie riadkov a teda to ako upravená verzia dátovej sady, ktorá je zložená z ideálnych variant riadkov ovplyvnila presnosť modelu. Ďalej sa práca zameriava na detekciu a následné odstránenie alebo upravenie riadkov, ktorých prepis ground truth nekorešponduje so skutočným textom, ktorý sa na nich nachádza. Experimentovaním sa ukázalo, že odstránenie vizuálnej nekonzistencie na trénovacej sade nemá zásadný vplyv na natrénovanosť modelu, za to poupravením testovacej sady sa presnosť OCR modelu zlepšila o 1.1\% CER. Upravením dátovej sady tak, aby neobsahovala navzájom nekonzistentné dvojice rozpoznávaného textu a príslušnej ground truth, sa model po opätovnom natrénovaní zlepšil maximálne len o 0.2\% CER. Hlavným zistením tejto práce je predovšetkým preukázaný priaznivý účinok odstránenia nekonzistencie na testovacích sadách, vďaka ktorému je možné zistiť reálnejšiu chybovosť OCR modelu.
|
|
|
Network Forensics Tools Survey and Taxonomy
Zembjaková, Martina ; Ryšavý, Ondřej (oponent) ; Pluskal, Jan (vedoucí práce)
This master's thesis addresses network forensic tools survey and taxonomy. It describes network forensics fundamentals, including network forensic process models, techniques, and evidence sources. Furthermore, the project contains a survey of existing network forensic tools taxonomies, including their comparison, followed by the network forensic tools survey. In addition to the tools mentioned in the taxonomy survey, the survey is extended to other network tools. Subsequently, the detailed description and comparison of available datasets that can be analyzed using the forensic tools are provided in this project. According to the information obtained from surveys, frequent use cases for forensic tools are designed, and the tools are demonstrated within the description of individual use cases. In addition to publicly available datasets, the demonstration also uses newly created datasets described in detail in its chapter. Based on the gained information, new taxonomy is designed. This taxonomy is based on the use cases of the tools in contrast to other taxonomies based on NFATs and NSM tools, user interface, capturing the data, analysis, or type of forensics.
|
host ::
RSS.