|
|
Využití umělé inteligence v technické diagnostice
Konečný, Antonín ; Huzlík, Rostislav (oponent) ; Zuth, Daniel (vedoucí práce)
Diplomová práce je zaměřena na využití metod umělé inteligence pro vyhodnocení poruchového stavu strojního zařízení. Vyhodnocovaná data jsou z vibrodiagnostického modelu pro simulaci statické a dynamické nevývahy. Aplikovány jsou metody strojového učení, konkrétně učení s učitelem. V práci je popsáno softwarové prostředí Spyder, jeho alternativy, a programovací jazyk Python, ve kterém jsou skripty napsány. Obsahuje přehled s popisem použitých knihoven Scikit-learn, SciPy, Pandas ...) a metod, kterými jsou klasifikace metodou nejbližšího souseda (KNN), metoda podpůrných vektorů (SVM), rozhodovací stromy (DT) a klasifikace metodou náhodného lesa (RF). Výsledky úspěšnosti klasifikace jsou vizualizovány ve výsledné klasifikační matici pro každou metodu. Součástí přílohy jsou napsané skripty pro zpracování a výpočet prediktorů, hledání nejvhodnějších parametrů modelu, hodnocení úspěšnosti učení a klasifikace s vizualizací výsledku.
|
|
|
Návrh systému detekce zařízení připojených do elektrické sítě
Homola, Michal ; Kováč, Daniel (oponent) ; Musil, Petr (vedoucí práce)
Tato diplomová práce se zabývá tvorbou systému pro detekci zařízení připojených do sítě pomocí měření vysokofrekvenčního šumu měřením BPL modemů. V teoretické části došlo k seznámení s problematikou PLC, elektromagnetické kompatibility EMC, problematikou impedance u PLC a charakteristikou šumu u PLC. V praktické části následně došlo k ověření vhodnosti použitých PLC modemů pro samotné měření a měření časové a prostorové variability šumových charakteristik sítě jejich pomocí. Pro časovou variabilitu byl vytvořen experiment dlouhodobého měření se zpětnou detekcí lednice. Pro prostorovou bylo provedeno měření v několika lokacích, kde některé lokace sloužily jako trénovací množina a zbylá lokace sloužila jako množina testovací. Po vybrání vhodného modelu strojového učení pak došlo ke vhodné úpravě vstupních dat a jejich vyhodnocení.
|
|
|
Využití umělé inteligence v technické diagnostice
Konečný, Antonín ; Huzlík, Rostislav (oponent) ; Zuth, Daniel (vedoucí práce)
Diplomová práce je zaměřena na využití metod umělé inteligence pro vyhodnocení poruchového stavu strojního zařízení. Vyhodnocovaná data jsou z vibrodiagnostického modelu pro simulaci statické a dynamické nevývahy. Aplikovány jsou metody strojového učení, konkrétně učení s učitelem. V práci je popsáno softwarové prostředí Spyder, jeho alternativy, a programovací jazyk Python, ve kterém jsou skripty napsány. Obsahuje přehled s popisem použitých knihoven Scikit-learn, SciPy, Pandas ...) a metod, kterými jsou klasifikace metodou nejbližšího souseda (KNN), metoda podpůrných vektorů (SVM), rozhodovací stromy (DT) a klasifikace metodou náhodného lesa (RF). Výsledky úspěšnosti klasifikace jsou vizualizovány ve výsledné klasifikační matici pro každou metodu. Součástí přílohy jsou napsané skripty pro zpracování a výpočet prediktorů, hledání nejvhodnějších parametrů modelu, hodnocení úspěšnosti učení a klasifikace s vizualizací výsledku.
|
|
|
Anomaly detection for stock market trading data
Fusková, Martina ; Kofroň, Jan (vedoucí práce) ; Kliber, Filip (oponent)
Obchodování na burze je velmi komplexní téma, které zahrnuje spoustu náročných problémů. Jedním z těchto problémů je detekce anomálií. Detekce anomálií v reálném čase je velice náročný úkol, a proto tento problém zůstává otevřen. Cílem této práce je zkoumat různé modely a algoritmy, které mohou být použity a pokusit se najít ty nejvhodnější pro tento problém. Vytvoříme modely, které detekují anomálie na základě hustoty dat, i statistické modely a neuronové sítě, které detekují anomálie na základě porovnání predikovaných a skutečných dat. Výsledkem této práce je návrh modelů, které mohou být dále zkoumány a použity pro detekci v reálném čase.
|
|
|
Feature extraction from Android application packages and its usage in machine learning for malware classification
Smrž, Dominik ; Bálek, Martin (vedoucí práce) ; Kofroň, Jan (oponent)
V této práci navrhujeme klasifikační algoritmus založený na metodách stro- jového učení pro aplikace na populární operační systém Android, který má za cíl rozlišovat škodlivé aplikace od nezávadných. Extrakce příznaků pro strojové učení je založena na statické analýze bajtkódu se zaměřením na API volání a volání metod. Ukazujeme různé přístupy jak z nejčastějších API volání vytvořit seznam číselných příznaků. Dále zkoumáme specifika extrahovaných příznaků a jejich důležitost. Dataset, který je použit pro experimenty v této práci, obsahuje přes 200 000 vzorků, z nichž přibližně polovina je škodlivá a polovina nezávadná. Zkoušíme několik různých algoritmů strojového učení a vyhodnocujeme jejich kva- litu. Velikost našeho datasetu snižuje poměr šumu a poskytuje tak dobrý základ pro trénování klasifikačních modelů. Výsledky experimentů ukazují, že navrhovaný algoritmus má poměru vzorků, které byly chybně označné jako škodlivé, pod 2,9 % přičemž správně nalezne přes 93,6 % malwaru. 1
|
host ::
RSS.