|
| |
|
| |
|
|
Application of Machine Learning Algorithms for the Generation of Checking Circuits
Lelkes, Olivér ; Krčma, Martin (oponent) ; Kaštil, Jan (vedoucí práce)
This thesis deals with the application of machine learning algorithms for generation of online checking circuits. It contains description of the principles of checking circuits and presents existing checking circuit implementations relevant to this thesis. The work is focused on applying checking circuits on hardware components with sequential logic. Machine learning algorithms are trained on data sets consisting of the hardware components' input-output sequences, stored as time series data. Processing time series requires special type of machine learning algorithms, which are described and compared.The individual algorithms are utilized as machine learning classifiers in order to determine their suitability for use in checking circuits. The experiments of the thesis were performed on a low-pass FIR filter. The settings of the employed machine learning classifiers are presented and the results with the individual classifier settings are evaluated. Based on the obtained results it is discussed which machine learning algorithms are applicable in checking circuits.
|
|
|
Použití umělých neuronových sítí pro klasifikaci srdečních cyklů
Doležalová, Radka ; Vítek, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato práce se zabývá využitím neuronových sítí při klasifikaci EKG. Nejdříve je problematika EKG a neuronových sítí rozebrána teoreticky, v další části je popsáno využití Neural Network Toolboxu pro samotnou tvorbu sítě a vytvoření grafického uživatelského rozhraní v prostředí Matlab. Na učení i testování jsou zde použita EKG data získána při experimentu na králičích izolovaných srdcích, konkrétně jednotlivé cykly (QRST segmenty) z ortogonálního svodu X ze sedmi fází experimentu. Výsledkem práce je GUI, které umožňuje nastavení různých parametrů a struktury neuronové sítě, která je schopná po naučení klasifikovat srdeční cykly podle jejich morfologie do sedmi skupin.
|
|
|
Využití algoritmů strojového učení pro konstrukci hlídacích obvodů
Lelkes, Olivér ; Mičulka, Lukáš (oponent) ; Kaštil, Jan (vedoucí práce)
Tato bakalářská práce se zabývá využitím algoritmů strojového učení pro konstrukci hlídacích obvodů. Práce obsahuje detailní popis jednotlivých algoritmů strojového učení, které byly vybrány pro splnění cíle bakalářské práce. V textu práce je uvedeno seznámení jak s teoretickými vlastnostmi, tak i s konkrétním využitím dotyčných algoritmů ve formě klasifikátorů. Klasifikátory mohou pracovat s různými nastaveními, které ovlivňují přesnost učení a následné klasifikace. V experimentální části práce je poukázáno na rozdíly mezi jednotlivými klasifikátory a jejich nastavením. Experimenty byly prováděny na různých obvodech, mimo jiné na řídících jednotkách robota, vyvíjených na Ústavu počítačových systémů Fakulty informačních technologií VUT v Brně.
|
|
|
Strojové učení v přirozeném jazyce
Otrusina, Lubomír ; Šilhavá, Jana (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá zjednoznačňováním slovních významů pomocí metod strojového učení. Čtenář je krátce seznámen s danou problematikou a jejím historickým vývojem. Jsou zde popsány nejpoužívanější metody a přístupy, speciálně pak naivní Bayesův klasifikátor, který je implementován v systému. Je zde uveden i názorný příklad pro tento klasifikátor. V praktické části je popsán návrh systému využívající tohoto klasifikátoru včetně popisu různých algoritmů použitých v systému. Na závěr je uvedeno vyhodnocení výsledků systému a jejich analýza. Implementovaný systém se zúčastnil soutěže v rámci mezinárodní konfernce sémantického vyhodnocování SemEval-2007.
|
|
| |
|
|
Učení založené na instancích
Martikán, Miroslav ; Polách, Petr (oponent) ; Honzík, Petr (vedoucí práce)
Tato práce je zaměřena na algoritmy učení založeného na instancích. Hlavním cílem je vytvoření výukové aplikace. V práci jsou teoreticky popsány algoritmy učení založeného na instancích (IBL), metoda nejbližšího souseda a kd-stromy. Praktická část je věnovaná tvorbě aplikace pro výuku. Aplikace umožňuje generování množin dat, jejich klasifikaci metodou nejbližšího souseda a testování algoritmů IB1, IB2 a IB3.
|
|
| |
|
| |
host ::
RSS.