|
|
Uspořádání fragmentů textu s pomocí jazykového modelu
Holubec, Michael ; Kocour, Martin (oponent) ; Beneš, Karel (vedoucí práce)
Cílem této práce je sestrojit a experimentálně ověřit účinnost jazykového modelu při identifikaci posloupnosti čtení (Reading Order). K tomuto účelu byl sestrojen jazykový model využívající rekurentní neuronovou síť LSTM. Práce dále navrhuje a implementuje celkem tři metody, jazykovou analýzu, prostorovou analýzu a kombinovanou analýzu, pomocí kterých je posloupnost čtení identifikována. Jazyková a kombinovaná analýza ke své činnosti přímo používají vytvořený jazykový model. Úspěšnost identifikace posloupnosti prostřednictvím všech tří metod byla změřena na třech datasetech obsahující novinové články s různým rozložením. Jazyková analýza dosahuje úspěšnosti 57,6 %, prostorová analýza dosahuje 91,6 %. Nejlepších výsledků dosahuje kombinovaná analýza, která vykazuje úspěšnost 92,9 %. Práce ukazuje, že jazykový model lze pro identifikaci posloupnosti čtení použít, avšak výsledky experimentů naznačují, že je vhodné zpracování odhadu posloupnosti doplnit o další informace, jako je to například v kombinované analýze, která pracuje jak s jazykovým modelem, tak s prostorovými informacemi.
|
|
|
Umělá inteligence pro deskovou hru
Tureček, Dominik ; Baskar, Murali Karthick (oponent) ; Beneš, Karel (vedoucí práce)
Tato práce navrhuje hráče ovládané umělou inteligencí pro hru Dice Wars. Dice Wars je nedeterministická tahová hra s nulovým součtem. Bylo vytvořeno několik AI hráčů s využitím pravidlového přístupu, algoritmu expecitminimax a logistické regrese. Pro zhodnocení kvality navržených AI hráčů byla vytvořena implementace hry Dice Wars. Z výsledků experimentů vyplývá, že ve hře dvou hráčů je výhodnější hrát agresivněji než v případě vícehráčových her. Ve hře osmi hráčů vyhrává AI využívající expectiminimax přes 60 % her proti náhodným hráčům a 21.4 % her proti ostatním navrženým AI. Ve hrách dvou hráčů dosahuje nejlepších výsledků AI založená na logistické regresi, která jako příznaky používá skóre a počty kostek jednotlivých hráčů. V průměru vyhrává 59.4 % her.
|
|
|
Akcelerace neuronové sítě pro jazykové modelování
Labaš, Dominik ; Černocký, Jan (oponent) ; Beneš, Karel (vedoucí práce)
Táto práca sa zaoberá akceleráciou neurónovej siete pre jazykové modelovanie. Cieľom práce je optimalizovať model doprednej neurónovej siete. Pri urýchľovaní neurónovej siete sme využili zmenu aktivačnej funkcie, predpočítanie matíc pre výpočet skrytej vrstvy, implementáciu cache histórie modelu a odstránenie normalizácie. Model s najlepšími výsledkami bol zrýchlený o 75.3\%.
|
|
|
Detekce Akustické Prostředí z Řeči
Grepl, Filip ; Beneš, Karel (oponent) ; Matějka, Pavel (vedoucí práce)
Tato práce se zabývá vytvořením systému, jehož úkolem je z audio signálu rozpoznat, na jakém místě byla vstupní nahrávka pořízena. Klasifikátor je založen na vícevrstvé hustě propojené neuronové síti. Topologie neuronové sítě vychází ze základního systému, poskytovaného k soutěži DCASE. Pro její trénování a evaluaci je využita datová sada rovněž z této soutěže. Experimenty jsou prováděny zejména s reprezentací vlastností jednotlivých audio nahrávek a formátem vstupních dat. Za tímto účelem jsou využity Mel-filter bank, blok Mel-filter bank a MFCC příznaky. Experimenty, provedené v této práci, přinesly oproti základnímu systému soutěže DCASE vyšší přesnost klasifikace o 6.5 %. Celková úspěšnost systému tak dosáhla hodnoty 67.5 %.
|
|
| |
|
|
Detection of Malicious Websites using Machine Learning
Šulák, Ladislav ; Černocký, Jan (oponent) ; Beneš, Karel (vedoucí práce)
This thesis deals with the problem of web-based malware focusing on the analysis and detection of malicious JavaScript placed on the client side using machine learning techniques.Proposed approach benefits from both known and new observations regarding differencesbetween malicious and benign samples. Such approach has a potential to detect brand newexploits and zero-day attacks. System for such detection has been implemented using multiple machine learning models. Performance of the models has been evaluated with F1-scoreby executing multiple experiments. According to the experiments, the application of decision tree classifiers was the most effective option. The most effective model was Adaboostclassifier which reached F1-score up to 99.16 %. This model worked with 200 instances ofrandomized decision tree based on Extra-Trees algorithm. Multi-layer Perceptron was thesecond-best model with achieved F1-score up to 97.94 %.
|
|
| |
|
|
Demonstrační aplikace lineární logistické regrese
Bak, Adam ; Kesiraju, Santosh (oponent) ; Beneš, Karel (vedoucí práce)
Táto bakalárska práca sa zaoberá lineárnou logistickou regresiou, modelom pre strojové učenie. Cieľom tejto práce je podrobne preskúmať a zanalyzovať ako tento klasifikačný model funguje, aby bolo možné vyvinúť učebnú pomôcku vo forme demonštračnej aplikácie. Všetky matematické rovnice, logistická sigmoida, chybová funkcia vzájomnej entropie, metóda najväčšieho spádu sú odvodené a podrobne vysvetlené. Táto práca tiež prináša náhľad do tvaru grafu chybovej funkcie vzájomnej entropie v prípade lineárnej logistickej regresie.
|
|
|
Strojový překlad pomocí umělých neuronových sítí
Holcner, Jonáš ; Beneš, Karel (oponent) ; Szőke, Igor (vedoucí práce)
Cílem této práce je popsat a vytvořit systém pro strojový překlad textu postavený na rekurentních neuronových sítích. K tomu je použita architektura enkodér-dekodér umožňující překlad po celých větách. Výsledkem je knihovna nmt, určená k provádění experimentů s různými parametry modelu. Jejich výsledky jsou porovnány vůči systému postavenému na nástroji pro statistický překlad Moses.
|
|
|
Gaussian Processes Based Hyper-Optimization of Neural Networks
Coufal, Martin ; Landini, Federico Nicolás (oponent) ; Beneš, Karel (vedoucí práce)
The goal of this thesis is to create a lightweight toolkit for artificial neural network hyper-parameter optimisation. The optimisation toolkit has to be able to optimise multiple, possibly correlated hyper-parameters. I solved this problem by creating an optimiser that uses Gaussian processes to predict the influence of the hyper-parameters on the resulting neural network accuracy. Based on the experiments on multiple benchmark functions, the toolkit is able to provide better results than random search optimisation and thus reduce the number of necessary optimisation steps. The random search optimisation provided better results only in the first few optimisation steps before Gaussian process optimisation creates sufficient model of the problem. However the experiments on MNIST dataset show that random optimisation achieves almost always better results than used GP optimiser. These differences between the experiments results are probably caused by insufficient complexity of the benchmarks or by selected parameters of the implemented optimiser.
|
host ::
RSS.