|
|
Koncepty strojového učení pro kategorizaci objektů v obrazu
Hubený, Marek ; Honec, Peter (oponent) ; Horák, Karel (vedoucí práce)
Tato práce se zabývá problémem rozpoznávání objektů a scén pomocí nástrojů strojového učení a počítačového vidění. Před řešením tohoto problému byly prostudovány základní fáze konceptu strojového učení a statistické modely s důrazem na jejich rozdělení na diskriminativní a generativní metody. Dále byla prostudována a popsána metoda Bag-of-words a její modifikace. V praktické části práce byla v prostředí Matlab vytvořena implementace metody Bag-of-words s SVM klasifikátorem a daný model byl prověřen na různých množinách veřejně dostupných obrazů.
|
|
|
Interconnection of Restricted Boltzmann machine method with statistical physics and its implementation in the processing of spectroscopic data
Vrábel, Jakub ; Hrdlička, Aleš (oponent) ; Pořízka, Pavel (vedoucí práce)
In this work, connections between statistical physics and machine learning are studied with emphasis on the most basic principles and their implications. Also, the general properties of spectroscopic data are revealed and used beneficially for improving automatized processing of the data. In the beginning, the partition function of a Boltzmann distribution is derived and used to study the Ising model utilizing the mean field theory approach. Later, the equivalence between the Ising model and the Hopfield network (machine learning model) is shown, along with an introduction for machine learning in general. At the end of a theoretical part, Restricted Boltzmann Machine (RBM) is obtained from the Hopfield network. Suitability of applying RBM to the processing of spectroscopic data is discussed and revealed by utilization of RBM to dimension reduction of the data. Results are compared to the standard tool (Principal Component Analysis), with discussing possible further improvements.
|
|
|
Multi-modální "Restricted Boltzmann Machines"
Svoboda, Jiří ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá způsobem, jakým mohou být využity multi-modální Restricted Boltzmann Machines (RBM) pro automatické označování obrázků dle jejich obsahu. Práce obsahuje stručný rozbor modalit použitelných pro multi-modální klasifikaci. Také jsou zde popsány jednotlivé druhy RBM, které jsou vhodné pro odlišné typy vstupních dat. Praktická část práce obsahuje návrh a popis implementace multi-modální RBM, dále práce obsahuje výsledky přípravných experimentů.
|
|
|
Hluboké neuronové sítě
Habrnál, Matěj ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Diplomová práce se zabývá hlubokými neuronovými sítěmi, zejména pak metodami z oblasti hlubokého učení, jež slouží k inicializaci vah a samotnému učení hlubokých neuronových sítí. Dále popisuje základní teorii klasických neuronových sítí, která je důležitá pro pochopení této problematiky. Cílem této práce je experimentováním s vytvořenou aplikací realizující hluboké neuronové sítě na různě obtížných úlohách rozpoznávání obrazu zjistit optimální nastavení volitelných parametrů algoritmů. Dále pak zhodnotit výsledky a poznatky získané při experimentování s klasickou a hlubokou neuronovou sítí.
|
|
|
Imputation Of Missing Values In Clinical Data
BIRKLBAUER, Micha Johannes
Imputation of missing data is a crucial step in data analysis since many statistical methods require complete datasets. In that regard MissForest imputation is a powerful tool that seems to outperform most other imputation approaches. This analysis evaluates how good imputation using MissForest is compared to other methods like imputation by Multivariate Imputation by Chained Equations (MICE), Restricted Boltzmann Machines (RBM) or the standard strawman (mean) imputation in a clinical dataset that is used to predict the mortality of patients after heart valve surgery.
|
|
|
Interconnection of Restricted Boltzmann machine method with statistical physics and its implementation in the processing of spectroscopic data
Vrábel, Jakub ; Hrdlička, Aleš (oponent) ; Pořízka, Pavel (vedoucí práce)
In this work, connections between statistical physics and machine learning are studied with emphasis on the most basic principles and their implications. Also, the general properties of spectroscopic data are revealed and used beneficially for improving automatized processing of the data. In the beginning, the partition function of a Boltzmann distribution is derived and used to study the Ising model utilizing the mean field theory approach. Later, the equivalence between the Ising model and the Hopfield network (machine learning model) is shown, along with an introduction for machine learning in general. At the end of a theoretical part, Restricted Boltzmann Machine (RBM) is obtained from the Hopfield network. Suitability of applying RBM to the processing of spectroscopic data is discussed and revealed by utilization of RBM to dimension reduction of the data. Results are compared to the standard tool (Principal Component Analysis), with discussing possible further improvements.
|
|
|
Koncepty strojového učení pro kategorizaci objektů v obrazu
Hubený, Marek ; Honec, Peter (oponent) ; Horák, Karel (vedoucí práce)
Tato práce se zabývá problémem rozpoznávání objektů a scén pomocí nástrojů strojového učení a počítačového vidění. Před řešením tohoto problému byly prostudovány základní fáze konceptu strojového učení a statistické modely s důrazem na jejich rozdělení na diskriminativní a generativní metody. Dále byla prostudována a popsána metoda Bag-of-words a její modifikace. V praktické části práce byla v prostředí Matlab vytvořena implementace metody Bag-of-words s SVM klasifikátorem a daný model byl prověřen na různých množinách veřejně dostupných obrazů.
|
|
|
Multi-modální "Restricted Boltzmann Machines"
Svoboda, Jiří ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá způsobem, jakým mohou být využity multi-modální Restricted Boltzmann Machines (RBM) pro automatické označování obrázků dle jejich obsahu. Práce obsahuje stručný rozbor modalit použitelných pro multi-modální klasifikaci. Také jsou zde popsány jednotlivé druhy RBM, které jsou vhodné pro odlišné typy vstupních dat. Praktická část práce obsahuje návrh a popis implementace multi-modální RBM, dále práce obsahuje výsledky přípravných experimentů.
|
|
|
Hluboké neuronové sítě
Habrnál, Matěj ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Diplomová práce se zabývá hlubokými neuronovými sítěmi, zejména pak metodami z oblasti hlubokého učení, jež slouží k inicializaci vah a samotnému učení hlubokých neuronových sítí. Dále popisuje základní teorii klasických neuronových sítí, která je důležitá pro pochopení této problematiky. Cílem této práce je experimentováním s vytvořenou aplikací realizující hluboké neuronové sítě na různě obtížných úlohách rozpoznávání obrazu zjistit optimální nastavení volitelných parametrů algoritmů. Dále pak zhodnotit výsledky a poznatky získané při experimentování s klasickou a hlubokou neuronovou sítí.
|
host ::
RSS.