|
|
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.
|
|
|
Selekce příznaků pomocí nekorelovaných charakteristik
Vaculík, Karel ; Klusáček, Jan (oponent) ; Honzík, Petr (vedoucí práce)
Ke zpracování nadměrného množství dat v digitální podobě je zapotřebí použít prostředků výpočetní techniky. V některých případech je možné použít statistické metody nebo strojové učení. V obou případech mohou být data reprezentována velkým počtem příznaků. Pro efektivní zpracování může hrát důležitou roli výběr pouze určité množiny příznaků, které jsou relevantní. Tato práce zkoumá podskupinu metod pro výběr příznaků, tzv. filter metody. Tyto metody jsou mezi sebou porovnány a na základě výsledků je navržena nová metoda, která je kombinací metod původních.
|
|
|
Detekce stresu
Jindra, Jakub ; Vítek, Martin (oponent) ; Němcová, Andrea (vedoucí práce)
Detekce stresu založená na non-EEG fyziologických datech může být užitečná pro monitoraci řidičů, pilotů, ale také sledování psychického stavu v běžném každodenním životě – tedy všude tam, kde je monitorace standardním EEG nevhodná. Tato práce využívá Non-EEG databázi volně dostupnou z Physionetu. Databáze obsahuje záznamy tepové frekvence, saturace krve kyslíkem, pohybu, vodivosti pokožky a teploty snímané pro 3 typy stresu prokládáné relaxační fází. V práci byly vytvořeny dva modely. Jeden pro binární klasifikaci stresu/klidu, druhý pro klasifikaci 4 psychických stavů. Nejlepších výsledků bylo dosaženo využitím modelu rozhodovacího stromu s 8 příznaky pro binární klasifikaci a 8 příznaky pro klasifikaci 4 stavů. Přesnost finálních modelů je přibližně 95 % pro binární klasifikaci a 99 % pro klasifikaci 4 psychických stavů. Veškeré algoritmy byly implementovány v jazyce Python.
|
|
|
Vliv selekce příznaků metodou HFS na shlukovou analýzu
Malásek, Jan ; Klusáček, Jan (oponent) ; Honzík, Petr (vedoucí práce)
Diplomová práce se zabývá shlukovou analýzou. Shlukování má své základy v mnoha oblastech lidského vědění zahrnujících získávání dat, statistiku, biologii a strojové učení. Hlavní náplní práce je zpracování rešerše metod shlukové analýzy, metod pro stanovení počtu shluků a stručný přehled metod selekce příznaků v úlohách bez učitele. Neméně důležitou součástí je realizace softwaru pro porovnání různých metod shlukové analýzy se zaměřením na úspěšnost při stanovování počtu shluků a řazení jednotlivých instancí do správných tříd. Součástí programu je implementace metody selekce příznaků HFS. Experimentální ověření metod proběhlo ve vývojovém prostředí Matlab. Ve svém závěru diplomová práce porovnává úspěšnost shlukovacích metod na datech se známými výstupními třídami a posuzuje přínos metody selekce příznaků HFS v úlohách bez učitele pro úspěšnost shlukové analýzy
|
|
|
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.
|
|
|
Detekce stresu
Jindra, Jakub ; Vítek, Martin (oponent) ; Němcová, Andrea (vedoucí práce)
Detekce stresu založená na non-EEG fyziologických datech může být užitečná pro monitoraci řidičů, pilotů, ale také sledování psychického stavu v běžném každodenním životě – tedy všude tam, kde je monitorace standardním EEG nevhodná. Tato práce využívá Non-EEG databázi volně dostupnou z Physionetu. Databáze obsahuje záznamy tepové frekvence, saturace krve kyslíkem, pohybu, vodivosti pokožky a teploty snímané pro 3 typy stresu prokládáné relaxační fází. V práci byly vytvořeny dva modely. Jeden pro binární klasifikaci stresu/klidu, druhý pro klasifikaci 4 psychických stavů. Nejlepších výsledků bylo dosaženo využitím modelu rozhodovacího stromu s 8 příznaky pro binární klasifikaci a 8 příznaky pro klasifikaci 4 stavů. Přesnost finálních modelů je přibližně 95 % pro binární klasifikaci a 99 % pro klasifikaci 4 psychických stavů. Veškeré algoritmy byly implementovány v jazyce Python.
|
|
|
Selekce příznaků pomocí nekorelovaných charakteristik
Vaculík, Karel ; Klusáček, Jan (oponent) ; Honzík, Petr (vedoucí práce)
Ke zpracování nadměrného množství dat v digitální podobě je zapotřebí použít prostředků výpočetní techniky. V některých případech je možné použít statistické metody nebo strojové učení. V obou případech mohou být data reprezentována velkým počtem příznaků. Pro efektivní zpracování může hrát důležitou roli výběr pouze určité množiny příznaků, které jsou relevantní. Tato práce zkoumá podskupinu metod pro výběr příznaků, tzv. filter metody. Tyto metody jsou mezi sebou porovnány a na základě výsledků je navržena nová metoda, která je kombinací metod původních.
|
|
|
Vliv selekce příznaků metodou HFS na shlukovou analýzu
Malásek, Jan ; Klusáček, Jan (oponent) ; Honzík, Petr (vedoucí práce)
Diplomová práce se zabývá shlukovou analýzou. Shlukování má své základy v mnoha oblastech lidského vědění zahrnujících získávání dat, statistiku, biologii a strojové učení. Hlavní náplní práce je zpracování rešerše metod shlukové analýzy, metod pro stanovení počtu shluků a stručný přehled metod selekce příznaků v úlohách bez učitele. Neméně důležitou součástí je realizace softwaru pro porovnání různých metod shlukové analýzy se zaměřením na úspěšnost při stanovování počtu shluků a řazení jednotlivých instancí do správných tříd. Součástí programu je implementace metody selekce příznaků HFS. Experimentální ověření metod proběhlo ve vývojovém prostředí Matlab. Ve svém závěru diplomová práce porovnává úspěšnost shlukovacích metod na datech se známými výstupními třídami a posuzuje přínos metody selekce příznaků HFS v úlohách bez učitele pro úspěšnost shlukové analýzy
|
|
|
Využití pokročilých statistických metod pro zpracování obrazu fluorescenční emise rostlin ovlivněných lokálním biotickým stresem
MATOUŠ, Karel
Zobrazovací chlorofylová fluorometrie rostlin je neinvazivní technika používaná v rostlinné fyziologii, molekulární biologii, biotechnologii a v přesném zemědělství. V sekvencích obrazů zachycuje dynamiku fluorescenční emise chlorofylu, která odráží fotosyntetickou aktivitu rostlin a její změny v čase a prostoru. Cílem této disertační práce je přispět k rozvoji a uplatnění kinetické zobrazovací fluorometrie rostlin zavedením a užitím pokročilých statistických metod analýzy dat. Metody statistického příznakového rozpoznávání umožňují zjistit, ve kterých obrazech z fluorescenční sekvence je obsažena nejbohatší informace o sledovaném biotickém stresu, a tak nalézt malé množiny fluorescenčních obrazů vhodných pro další analýzu. Omezoval jsem se na ty statistické metody výběru obrazů, resp. příznaků, které jsou velmi potentní při zachování realistické výpočetní náročnosti.
|
host ::
RSS.