|
|
Umělá inteligence ve hře Bang!
Kolář, Vít ; Lodrová, Dana (oponent) ; Orság, Filip (vedoucí práce)
Cílem této diplomové práce je vytvoření umělé inteligence do karetní hry Bang!. Obsahem této práce je kompletní popis hry Bang!, její pravidla, strategické principy používané při hraní a rozbor hry pohledu UI. Dále práce podává přehled metod umělé inteligence a základní informace o disciplíně teorie her. Následuje popis implementace v jazyce C++ a způsobu vytvoření umělé inteligence za pomoci Bayesovské klasifikace a rozhodovacích stromů založených na expertních systémech. Poslední část obsahuje zhodnocení vesměs pozitivních výsledků a závěr s možnými dalšími rozšířeními.
|
|
|
Dolování z dat v jazyce Python
Šenovský, Jakub ; Bartík, Vladimír (oponent) ; Zendulka, Jaroslav (vedoucí práce)
Cílem této práce bylo seznámení se s jednotlivými fázemi získávání znalostí z dat, s podporou programovacích jazyků Python a R v oblasti dolování dat a demonstrace jejich použití na dvou případových studiích. Následným krokem bylo porovnání těchto jazyků z hlediska dolování dat. Je zde popsaná fáze předzpracování dat a dolovací algoritmy pro klasifikaci, predikci a shlukování. Představeny zde byly významné knihovny pro jazyky Python a R. V první případové studii byla demonstrována práce s časovými řadami pomocí ARIMA modelu a neuronových sítí s ověřením přesnosti pomocí střední kvadratické chyby. V druhé případové studii byla popsaná klasifikace výsledků fotbalových zápasů pomocí k - nejbližších sousedů, Bayesova klasifikátoru, náhodného lesu a logické regrese. Přesnost klasifikace byla zobrazena pomocí skóre přesnosti a konfúzní matice. Práci uzavírá zhodnocení výsledků a návrhy pro budoucí vylepšení jednotlivých modelů.
|
|
|
Techniky umělé inteligence pro filtraci nevyžádané pošty
Matula, Tomáš ; Žádník, Martin (oponent) ; Schwarz, Josef (vedoucí práce)
Diplomová práce se zaměřuje na klasifikaci elektronické pošty. Popisuje základní způsoby filtrování nevyžádané pošty. Následně se zabývá bayesovskými klasifikátory spamu a umělými imunitními systémy. Popisuje existující aplikace a metriky vyhodnocování výsledků. Cílem práce je navrhnout a implementovat algoritmus na filtrování spamu. Nakonec porovnává získané výsledky s vybranými známými metodami.
|
|
|
Využití prostředků umělé inteligence na kapitálových trzích
Hrach, Vlastimil ; Budík, Jan (oponent) ; Dostál, Petr (vedoucí práce)
Tato diplomová práce popisuje využití umělé inteligence pro predikci na akciových trzích. Predikce staví netradičně na pravděpodobnostním modelu Bayesova vzorce a na něm založeném naivním Bayesově klasifikátoru. V praktické části je proto navržen algoritmus, který pro odhad budoucího vývoje akcie používá rozpoznané vztahy mezi identifikátory technické analýzy. Konkrétně se jedná o exponenciální klouzavé průměry za 20 a 50 dní. Na základě klasifikace vztahů mezi identifikátory je výstupem programu grafický odhad budoucího vývoje akcie.
|
|
|
Context-aware filtr notifikací pro Android
Jaklovský, Samuel ; Špaňhel, Jakub (oponent) ; Szentandrási, István (vedoucí práce)
Cílem této práce je vytvořit aplikaci pro zařízení s operačním systémem Android, která na základe získaného kontextu určí uživatelský profil a následně aplikuje zvukové nastavení, které pro tento profil uživatel předem definoval. V práci je popsaná teorie a návrh uživatelského rozhraní, které bylo implementováno jako funkční aplikace. Aplikace využívá pro určování uživatelských profilů Naive Bayes klasifikátor a rozhodovací strom. Funkcionalita aplikace byla úspěšně otestována dvaceti uživateli. Hodnocení v dotaznících se v průměru pohybovalo kolem osm a půl bodu z deseti maximálně možných. Tyhle výsledky je možno považovat za úspěšné.
|
|
|
Robustní identifikace modelu se Studentovým šumem
Rázek, Stanislav ; Friml, Dominik (oponent) ; Dokoupil, Jakub (vedoucí práce)
Diplomová práce se zabývá formulací algoritmu odhadování parametrů lineárního ARX modelu se Studentovým šumem s využitím aproximativní Bayesovské inference. Jsou probírána témata Studentova šumu, Aproximační Bayesovské inference a Studentův algoritmus. Formulovaný algoritmus odhadování parametrů je porovnán s jinými metodami odhadu parametrů modelu a zhodnocen. Zároveň je odvozen Studentův filtr a diskutována jeho provázanost s Kalmanovým filtrem.
|
|
|
What explains different duration of the Great Recession across countries?
Petrů, Vojtěch ; Baxa, Jaromír (vedoucí práce) ; Hlaváček, Michal (oponent)
Výzkum týkající se rozdílů v délce Velké recese je omezený a nejednoznačný. V této práci definujeme délku trvání krize jako počet let, které jsou v jejím důsledku ztraceny. To jest dobu, za kterou se HDP dostane zpět na předkrizovou úroveň. Na datech pokrývajících 54 zemí tato práce odhaduje faktory, které stály za odlišnou délkou trvání mezi různými zeměmi. Oproti ostatním studiím zaměřeným na toto téma je v této práci využita metoda Bayesiánského průměrování modelů, které dovoluje větší množství vysvětlujících proměnných a bere v úvahu nejistotu ohledně zvoleného modelu. V textu je také využita nová metoda měření konkurenceschopnosti vývozu, která bere v potaz necenové faktory, jako je například kvalita. Výsledky dokládají pozitivní dopad silněji rozvinutých finančních trhů, vysokém podílu soukromé spotřeby a zlepšeních v konkurenceschopnosti vývozu. Dále je zdokumentován pozitivní účinek fiskální expanze ve chvíli, kdy je do modelu zahrnuta proměnná zachytávající efekt silně zadlužených zemí, jež fiskální expanzi provádějí pomocí vydávání nového dluhu. Výsledky nejsou robustní vůči specifikaci alternativních předpokladů v rámci Bayesovského průměrování a to...
|
|
|
Dolování z dat v jazyce Python
Šenovský, Jakub ; Bartík, Vladimír (oponent) ; Zendulka, Jaroslav (vedoucí práce)
Cílem této práce bylo seznámení se s jednotlivými fázemi získávání znalostí z dat, s podporou programovacích jazyků Python a R v oblasti dolování dat a demonstrace jejich použití na dvou případových studiích. Následným krokem bylo porovnání těchto jazyků z hlediska dolování dat. Je zde popsaná fáze předzpracování dat a dolovací algoritmy pro klasifikaci, predikci a shlukování. Představeny zde byly významné knihovny pro jazyky Python a R. V první případové studii byla demonstrována práce s časovými řadami pomocí ARIMA modelu a neuronových sítí s ověřením přesnosti pomocí střední kvadratické chyby. V druhé případové studii byla popsaná klasifikace výsledků fotbalových zápasů pomocí k - nejbližších sousedů, Bayesova klasifikátoru, náhodného lesu a logické regrese. Přesnost klasifikace byla zobrazena pomocí skóre přesnosti a konfúzní matice. Práci uzavírá zhodnocení výsledků a návrhy pro budoucí vylepšení jednotlivých modelů.
|
|
|
Context-aware filtr notifikací pro Android
Jaklovský, Samuel ; Špaňhel, Jakub (oponent) ; Szentandrási, István (vedoucí práce)
Cílem této práce je vytvořit aplikaci pro zařízení s operačním systémem Android, která na základe získaného kontextu určí uživatelský profil a následně aplikuje zvukové nastavení, které pro tento profil uživatel předem definoval. V práci je popsaná teorie a návrh uživatelského rozhraní, které bylo implementováno jako funkční aplikace. Aplikace využívá pro určování uživatelských profilů Naive Bayes klasifikátor a rozhodovací strom. Funkcionalita aplikace byla úspěšně otestována dvaceti uživateli. Hodnocení v dotaznících se v průměru pohybovalo kolem osm a půl bodu z deseti maximálně možných. Tyhle výsledky je možno považovat za úspěšné.
|
|
|
Techniky umělé inteligence pro detekci spamů
Vránsky, Radovan ; Sekanina, Lukáš (oponent) ; Schwarz, Josef (vedoucí práce)
Tato diplomová práce se zabývá různými metodami detekce a rozpoznávání nevyžádaných e-mailových zpráv. V úvodu jsou tyto metody popsány. V další části je podrobně popsána Bayesova věta a metody detekce nevyžádané pošty s ní pracující. V této části je také popsán biologický a umělý imunitní systém a metody využívající umělý imunitní systém v rámci odhalování nevyžádané pošty. Práce se pak zabývá podrobným popisem návrhu a implementace vlastního systému na odhalování nevyžádané pošty. Tento systém je následně testován a v závěru práce jsou tyto testy zhodnoceny.
|
host ::
RSS.