|
|
NÁVRH OPTOVLÁKNOVÉHO BIOSENZORU SE SPEKTRÁLNÍ ANALÝZOU V BLÍZKÉ INFRAČERVENÉ OBLASTI
Křepelka, Pavel ; Jakubec,, Martin (oponent) ; Skládal, Petr (oponent) ; Mikulka, Jan (vedoucí práce)
Práce se zabývá měřením a interpretací NIR spekter bakteriálních buněk a výzkumem biosenzorických technik, využívající tuto analytickou techniku. Je zde rozebrán současný stav vědění v oblasti NIR spektroskopie v mikrobiologii a technologie optovláknových biosenzorů. Z rozboru vyplývá, že NIR je vhodnou technikou pro přímou molekulární analýzu bakterií, která však trpí nízkou citlivostí a nedostatečnou interpretací bakteriálních spekter. V další části práce je uveden teoretický rozbor technik spektrální analýzy a technologie optovláknových senzorů. V praktické části práce jsou představeny experimenty a výzkum vedoucí k odstranění těchto nevýhod NIR spektroskopie v mikrobiologii. Je zde shrnuta řada experimentů sloužící k interpretaci NIR spekter bakterií a návrh optovláknového senzoru pro zvýšení citlivosti této techniky. V této práci byly určeny a částečně interpretovány spektrální regiony důležité pro identifikaci bakteriálních kmenů a navržen senzor pro analýzu bakterií, který je schopný klasifikovat kmeny na základě 105 zachycených buněk. Tím byly splněny cíle této práce.
|
|
|
Online training of deep neural networks for classification
Tumpach, Jiří ; Holeňa, Martin (vedoucí práce) ; Kořenek, Jakub (oponent)
Hluboké učení je obvykle používáno se statickými datasety. Když je ale použito pro klasifikaci dat z datového toku, není jednoduché vzít v úvahu nestacionárnost. Tato diplomová práce prezentuje práci na nové metodě online učení klasifikace datových toků s mírným nebo středním driftem dat a je proto vysoce relevantní pro aplikace v detekci malware. Metoda používá kombinaci vícevrstvého perceptronu a variančního autoenkodéru a získává tak konstantní prostorovou složitost díky vkládání historie do generativního modelu. Proto může zjednodušit použití online učení neuronových sítí pro nezávislé adaptivní systémy s omezenou pamětí. V závěru prezentuji první výsledky na datech z reálného malware, které vypadají slibně. 1
|
|
|
Hodnocení krajinného pokryvu Vojenského újezdu Libavá s použitím klasifikátoru Random Forest
Žďánský, Vít ; Štych, Přemysl (vedoucí práce) ; Laštovička, Josef (oponent)
Data land cover nám pomáhají lépe pochopit krajinu, jak se vyvíjí, její využití a vliv lidské činnosti na ni. Díky novým metodám v oblasti DPZ jsme schopni tyto procesy zaznamenávat rychleji a v širším měřítku, než tomu bylo dříve. Tato práce se zabývá hodnocením přesností klasifikátorů Random Forest (RF) a Maximum Likelihood (ML) pomocí družicových dat Sentinel-2 v oblasti Vojenského újezdu Libavá. Právě vojenské újezdy prošly velmi specifickým vývojem a údaje o krajinném pokrytí chybí. Klasifikační legenda obsahuje 8 tříd. Výsledky klasifikace obou algoritmů jsou vyšší než 80 %. Lepších výsledků bylo dle očekávání dosaženo použitím klasifikátoru Random Forest. Nejpřesněji byly klasifikovány třídy vodních ploch a listnatých a jehličnatých lesů, nejhůře orná půda a řídká vegetace. Ostatní třídy se svou přesností odlišovaly. Výsledky práce jsou hodnoceny pomocí chybových matic, celkové přesnosti a kappa koeficientu. Klíčová slova: klasifikace, Random Forest, Maximum Likelihood, vojenský újezd, dálkový průzkum země, Sentinel 2, krajinné pokrytí, Libavá
|
|
|
Prediktivní modelování v jazyce Python
Duda, Jan ; Burgetová, Ivana (oponent) ; Zendulka, Jaroslav (vedoucí práce)
Cílem této bakalářské práce je seznámení s oborem dolování dat a procesu získávání dat z databází. Uvádí nejdůležitější postupy prováděné při dolování. Následně jsou jednotlivé techniky použity v případové studii implementované v jazyce Python. Ta se zaměřuje na predikci indexu S&P 500, který má reprezentovat vývoj akciových trhů na americké burze. Je využito klasifikačních i regresních modelů. Pro vyhodnocení úspěšnosti modelů je využito experimentální metody Monte Carlo.
|
|
|
Porovnání klasifikačních metod
Dočekal, Martin ; Zendulka, Jaroslav (oponent) ; Burgetová, Ivana (vedoucí práce)
Tato práce se zabývá porovnáním klasifikátorů. Nejprve jsou popsány klasifikační techniky založené na strojovém učení, poté je navržen a implementován systém pro porovnání klasifikátorů. Dále jsou popsány klasifikační úlohy a datové sady, na kterých je systém otestován. Vyhodnocení je prováděno pomocí standardních metrik. V rámci práce je též navržen a implementován klasifikátor založený na principu evolučních algoritmů.
|
|
|
Rozšíření uživatelských profilů pro účely cílené reklamy
Hadač, Filip ; Burgetová, Ivana (oponent) ; Zendulka, Jaroslav (vedoucí práce)
Tato práce se zabývá návrhem a realizací obohacení uživatelských profilů pro účely vylepšení cílené reklamy. Pro získání nových informací je využita extrakce dat z webových stránek. Extrahovaná data pochází ze dvou serverů, ČSFD a Recepty. V případě ČSFD se jedná o filmové žánry, zatímco u Recepty se jedná o kategorie receptů. Pomocí streamovacích aplikací se tyto informace zpracují a uloží do databází uživatelských profilů. Nad profily spadajícími do určité reklamní kampaně se provádí předzpracování a následně klasifikační algoritmy strojového učení pro vyhodnocení přínosu nových informací. Vyhodnocením experimentů je poznatek, že nově obohacené informace mají mírný přínos pro vylepšení cílené reklamy.
|
|
|
Monitorování chodců pomocí dronu
Dušek, Vladimír ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Tato práce se zabývá monitorováním lidí na videozáznamu pořízeným dronem. Detekce osob v obraze je realizována pomocí natrénovaného modelu detekční sítě RetinaNet. Každé detekované osobě je extrahován příznakový vektor pomocí barevných histogramů. Jednoznačná identifikace detekovaných osob je uskutečněna porovnáváním jejich příznakových vektorů s ohledem na jejich vzdálenost ve snímku. Nakonec je vykreslena trajektorie pohybů všech detekovaných osob do výsledného panoramatického obrázku. Úspěšnost detektoru na těžkých validačních datech je 58,6%. Chybovost je částečně vyřešena způsobem navrhnutí algoritmu pro vizualizaci trajektorií. Pro korektní vykreslení trajektorie osoby ji není nutné úspěšně detekovat v každém snímku. Zároveň statické objekty, kde je vysoká pravděpodobnost, že se nejedná o člověka, nejsou vizualizovány vůbec. Algoritmů zabývajících se detekcí lidí je velké množství, avšak přístupů zaměřených se na pohled z výšky je velmi poskromnu.
|
|
|
Určení místa původu hudebních interpretací české komorní a orchestrální hudby za pomoci technik Music Information Retrieval
Miklánek, Štěpán ; Mekyska, Jiří (oponent) ; Kiska, Tomáš (vedoucí práce)
Tato práce se zabývá statistickou analýzou nahrávek české komorní a orchestrální hudby. Významná část této práce je věnována problematice extrakce parametrů z nahrávek. V rámci extrakce parametrů jsou využity techniky zpracování hudebního signálu používané v oblasti Music Information Retrieval. Dále jsou v práci představeny kroky při zpracovávání databází nahrávek a výběru stejných notových úseků z jednotlivých interpretací skladeb pomocí dynamického borcení časové osy. Pro účely výběru stejného notového úseků z interpretací byl naprogramován nástroj v prostředí MATLAB. V neposlední řadě je představen vyhodnocovací systém, pomocí kterého je prováděna klasifikace nahrávek podle místa původu. Samotná klasifikace je provedena v podobě binárního rozdělení na dvě skupiny Česko a svět. První část vyhodnocení spočívá v individuální analýze jednotlivých statistických parametrů, přičemž je hodnocena jejich diskriminační síla. Druhá část vyhodnocení spočívá v selekci skupin parametrů, které by měly zvýšit přesnost klasifikace oproti individuální analýze parametrů.
|
|
|
Rozpoznávání hudebních nástrojů ze zvukových nahrávek za pomoci technik Music Information Retrieval
Kárník, Radoslav ; Mucha, Ján (oponent) ; Kiska, Tomáš (vedoucí práce)
Tato práce se zabývá návrhem a realizací klasifikačního systému pro rozpoznání hudebních nástrojů z hudebních nahrávek s využitím metod Music Information Retrieval. V první části práce jsou popsány jednotlivé parametry vhodné k rozpoznávání nástrojů, jejich výpočet z nahrávek a následná redukce příznakového vektoru. Další části jsou věnovány výběru, ladění a implementaci klasifikátorů v prostředí Python se zaměřením na neuronové sítě. Tyto klasifikátory jsou dále testovány na nahrávkách z databáze IRMAS, které obsahují 11 různých hudebních nástrojů hrající sólo anebo s dalšími nástroji. V poslední části jsou porovnány výsledky klasifikátorů při použití různých parametrů a různého počtu nástrojů.
|
|
|
Klasifikace patologických obratlů v CT snímcích páteře s využitím metod strojového učení
Tyshchenko, Bohdan ; Ronzhina, Marina (oponent) ; Chmelík, Jiří (vedoucí práce)
Tato diplomová práce se zaměřuje na detekci patologických obratlů v CT snímcích páteře s využitím metod strojového učení. V rámci teoretické části je popsána anatomie páteře, výskyt patologií v CT obrazových datech, je vypracován přehled existujících metod určených pro automatickou detekci patologických obratlů. Praktická část je věnována návrhu počítačového systému, který realizuje detekci patologie obratlů a určuje jejich typ. Jako klasifikátor se používá neuronová síť. Aplikace analýzy hlavních komponent (PCA) zajišťuje redukci počátečního počtu příznaků. Pro řešení daného zadání byla získána reálná data. Závěr obsahuje hodnocení dosažených výsledků.
|
host ::
RSS.