Národní úložiště šedé literatury Nalezeno 2 záznamů.  Hledání trvalo 0.01 vteřin. 
Genomická predikce založená na hlubokém učení pomocí sítí LSTM
Komjaty, Daniel ; Provazník, Valentine (oponent) ; Schwarzerová, Jana (vedoucí práce)
Tato bakalářská práce se věnuje problematice genomické predikce s využitím predikčních metod založených na strojovém učení. V první části se práce zabývá teoretickou rešerší s užším zaměřením na genomickou predikci a její aplikaci v rámci rostlinných dat. Dále se zabývá predikčními algoritmy a modely založenými na strojovém učení, které se využívají pro genomické predikce. Další část obsahuje podrobnější popis použitých genomických a metabolomických dat poskytnutých od vedoucí práce. Ve čtvrté části je popsána samotná implementace vybraných modelů strojového učení. Poslední pátá část se zabývá zhodnocením modelů strojového učení a diskuzí k výsledkům.
Robustní optimalizace v klasifikačních a regresních úlohách
Semela, Ondřej ; Kalina, Jan (vedoucí práce) ; Lachout, Petr (oponent)
Předložená práce pojednává o vybraných metodách regresní a klasifikační analýzy z pohledu robustní optimalizace, jejímž cílem je vhodně zohlednit případné nepřesnosti v datech nebo chyby měření. V první části je představena metoda nejmenších čtverců a její zobecnění, které lze odvodit v kontextu robustní optimalizace - hřebenová regrese a metoda Lasso. Následně je ukázána souvislost mezi těmito zobecněními a metodou nejmenších čtverců v robustní optimalizaci. Teoretické výsledky doplňuje simulační studie zkoumající z různých hledisek robustnost jednotlivých metod. Ve druhé části práce je čtenář seznámen s jednou z moderních klasifikačních metod - metodou SVM. Získané poznatky jsou následně využity k vybudování metody SVM, která se uplatňuje v robustní klasifikaci. Závěrečná část je věnována aplikaci vyložené teorie na příkladu biometrické identifikace stylu psaní a osob podle dynamiky stisku počítačových kláves. Powered by TCPDF (www.tcpdf.org)

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.