|
|
Využití SVM v prostředí finančních trhů
Štechr, Vladislav ; Prochocká, Kristína (oponent) ; Budík, Jan (vedoucí práce)
Tato diplomová práce se zabývá využitím regrese nebo klasifikace pomocí metody podpůrných vektorů SVM z oblasti strojového učení. SVM predikují hodnoty, které jsou používány k rozhodování automatického obchodovacího systému. Regrese a klasifikace jsou hodnoceny z hlediska použitelnosti pro rozhodování. Strategie je následně optimalizována, testována a vyhodnocována na množině historických dat devizového trhu Forex. Výsledky obchodování jsou slibné. Strategie by mohla být využita v kombinaci s jinou strategií, která by potvrzovala rozhodnutí o vstupu a výstupu z obchodů.
|
|
|
Příznaky pro analýzu a klasifikaci buněk ve snímcích z holografického mikroskopu
Navrátilová, Markéta ; Kolář, Radim (oponent) ; Vičar, Tomáš (vedoucí práce)
Tato bakalářská práce se zabývá problematikou příznaků používaných při analýze snímků buněk pořízených holografickým mikroskopem a pro jejich klasifikaci. Popisuje jednotlivé příznaky, stejně tak jako nástroje pro klasifikaci. Příznaky jsou extrahovány na dodaných nasegmentovaných buňkách v programovém prostředí Matlab. Na základě těchto příznaků jsou buňky klasifikovány s využitím metody podpůrných vektorů. Pomocí metod pro shlukování a redukci dimenzionality je analyzován výskyt různých buněčných typů. Zároveň je zhodnocena účinnost a využitelnost jednotlivých příznaků.
|
|
|
Analýza experimentálních EKG záznamů
Maršánová, Lucie ; Janoušek, Oto (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato práce se zabývá analýzou experimentálních elektrogramů získaných z izolovaných králičích srdcí. V teoretické části práce jsou popsány principy elektrokardiografie, projevy patologické srdeční činnosti v EKG záznamu, často používané metody automatické klasifikace EKG cyklů a také informace o experimentálním výzkumu. První část praktické práce se zabývá manuální klasifikací elektrogramů a jednotlivých patologických událostí v nich zaznamenaných. Výsledky klasifikace budou použity ve veřejně dostupné databázi experimentálních elektrogramů, která nyní vzniká na UBMI VUT v Brně. Klasifikace záznamů byla konzultována s odborníky. Dále je popsán výskyt patologií v průběhu fází experimentů a dle toho zhodnocen vliv opakované ischemie na jejich vznik. Nakonec je realizována automatická klasifikace čtyř typů patologických cyklů čtyřmi klasifikačními metodami (diskriminační analýza, naivní Bayesův klasifikátor, metoda podpůrných vektorů a metoda k-nejbližších sousedů). Pro reprezentaci cyklů při klasifikaci jsou použity morfologické parametry. Celkem je z každého cyklu odvozeno 71 morfologických parametrů. Z nich jsou za pomoci testů Kruskal-Wallis a Tukey-Kramer a také analýzy hlavních komponent určeny ty, které dokáží cykly reprezentovat nejlépe.
|
|
|
Identifikace typu obratlů z CT dat s využitím metod strojového učení
Matoušková, Barbora ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
Identifikace typu obratlů pomocí strojového učení je důležitý úkol pro usnadnění práce lékařů. Tento úkol je znesnadněn mnoha faktory. Za prvé se CT snímky páteře obvykle provádí u pacientů s patologiemi jako jsou léze, nádory, kyfóza, lordóza, skolióza či u pacientů s různými implantáty, které způsobují ve snímcích artefakty. Dále jsou si sousední obratle velmi podobné, což také tento úkol komplikuje. Tato práce se zabývá klasifikací již vysegmentovaných obratlů do skupin krční, hrudní a bederní. Pro klasifikaci je využita metoda podpůrných vektorů (SVM) a konvoluční neuronové sítě (CNN) AlexNet a VGG16. Dosažené výsledky jsou v závěru porovnány.
|
|
|
Přesná segmentace obrazových dat
Svoboda, Jan ; Marcoň, Petr (oponent) ; Mikulka, Jan (vedoucí práce)
Práce pojednává o tvorbě rozšiřujícího modulu pro platformu 3D Slicer. Jádro modulu je implementací klasifikátoru Support Vector Machines, jenž je využíván k segmentaci obrazových dat. Obrazová data byla poskytnuta lékaři z Fakultní nemocnice Brno Bohunice. Jedná se obrazové sekvence páteře pořízené pomocí dvou modalit, tedy výpočetní tomografie a magnetické rezonance. Cílem práce bylo tato data zpracovat, konkrétněji pak provést převzorkování, prostorové srovnání a následnou registraci. Obrazy pořízené výpočetní tomografií pak díky svému dostatečnému kontrastu poskytují autorům možnost lépe odhadnout segmentaci kostní tkáně od okolního prostředí i pro obrazy pořízené pomocí magnetické rezonance dosahujících menšího kontrastu. Pro kontrastní obrazy pořízené pomocí výpočetní tomografie bylo dosaženo odpovídajících výsledků, u predikovaných masek méně kontrastních obrazů se tento nedostatek projevil hrubými nepřesnostmi.
|
|
|
Detekce fibrilace síní v krátkodobých EKG záznamech
Ambrožová, Monika ; Janoušek, Oto (oponent) ; Ronzhina, Marina (vedoucí práce)
Fibrilace síní je diagnostikována u 1-2 % populace, v příštích dekádách se očekává výrazný nárůst počtu pacientů s touto arytmií v souvislosti se stárnutím populace a vyšším výskytem některých onemocnění, která jsou považována za její rizikové faktory. Cílem této práce je popsat problematiku fibrilace síní a metody, které umožňují její detekci v EKG záznamu. V úvodní části se nachází literární rešerše zabývající se fyziologií srdce a fibrilací síní. V další části jsou uvedené některé metody sloužící k detekci FS. V praktické části je zhodnocena funkčnost dodaného softwaru pro detekci FS firmou BTL. Dále je zde navržen detektor fibrilace síní. K detekci bylo vybráno několik parametrů, poukazující na variabilitu RR intervalů. Jedná se o parametry směrodatné odchylky, koeficient šikmosti a špičatosti, variační koeficient, střední kvadratickou odchylku, normalizovanou absolutní odchylku, normalizovanou absolutní diferenci, mediánovou absolutní odchylku a entropii. Bylo využito třech různých klasifikačních modelů: metoda podpůrných vektorů (SVM), K-nearest neghbor (KNN) a diskriminační analýza (DA). Nejlepších výsledků dosahuje klasifikační model SVM. Výsledky ukazatelů úspěšnosti (sensitivita: 67,1 %; specificita: 97,0 %; F-measure: 66,8 %; accuracy: 92,9 %).
|
|
|
Aggregation and Analysis of Social Network Contents
Horák, Matěj ; Kolář, Dušan (oponent) ; Burget, Radek (vedoucí práce)
This thesis is focused on getting selected parts of social media content and their analysis. The thesis is aiming for a platform which is connecting individual social networks, aggregating their content by defined topics and which is opened for next improvements and extensions. A solution is a multi-container application that uses multi-label classification and support vector machines. The implemented system solves not shown content, filtering, and small statistics. Key parts are covered by tests and the system is opened for other analysis and advanced statistics.
|
|
|
Analytický nástroj pro generování bicích triggerů z downmix záznamu
Konzal, Jan ; Mucha, Ján (oponent) ; Přikryl, Lubor (vedoucí práce)
Tato diplomová práce se zabývá návrhem a realizací nástroje pro generování časových triggerů bicí soupravy z downmix záznamu. V práci je popsáno předzpracování vstupního zvukového signálu a metody pro klasifikaci úderů. Rozeznávání úderů je založeno na podobnosti signálů ve frekvenční oblasti. Pro snížení počtu dimenzí a nalezení charakteristických vlastností vstupních dat byla využita analýza hlavních komponent (PCA). Pro klasifikaci dat do jednotlivých tříd představující části bicí soupravy byla využita metoda podpůrných vektorů (SVM). Program byl realizován v prostředí Matlab. Klasifikační model byl vytrénován na sadě 728 vzorků úderů pro sedm kategorií (velký buben, malý buben, hi-hat, crash, ride, velký buben + hi-hat, malý buben + hi-hat). Systém vykazuje úspěšnost rozeznání úderu 75 %.
|
|
|
Laptop Touchpad Palm Detection with AI/ML
Menzyński, Mark Alexander ; Kavetskyi, Andrii (oponent) ; Drahanský, Martin (vedoucí práce)
The situation about palm rejection for laptops is less than ideal. Most research focuses on touchscreens, and there is minimal research on touchpads. Some research is possibly done privately in laptop manufacturer companies, but the technology is lacking behind regardless. This thesis explores several shallow and deep machine learning models and finds their accuracy to be very much sufficient. In addition, a real-time proof of concept is implemented to demonstrate the model's capabilities.
|
|
|
Detekce fibrilace síní v EKG
Prokopová, Ivona ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Fibrilace síní patří mezi nejčastěji se vyskytující poruchy srdečního rytmu, vyznačující stále vzrůstající prevalencí a incidencí v ČR i ve světě. Výskyt fibrilace síní je uváděn na úrovni 2-4 % populace, avšak vzhledem k často asymptomatickému průběhu je reálná prevalence ještě vyšší. Cílem této práce je automatická detekce fibrilace síní v EKG záznamu. V praktické části této práci je navržen algoritmus pro detekci fibrilace síní. Pro samotnou detekci bylo využito metody k-nearest neighbor, metody podpůrných vektorů a vícevrstvé neuronové sítě ke klasifikaci EKG signálů pomocí příznaků poukazující na variabilitu RR intervalů a přítomnost vlny P v těchto EKG záznamech. Nejlepší detekce dosáhl model využívající klasifikaci pomocí vícevrstvé neuronové sítě se dvěma skrytými vrstvami. Výsledky ukazatelů úspěšnosti Senzitivita 91,23 %, Specificita 99,20 %, PPV 91,23 %, F-measure 91,23 % a Accuracy 98,53 %.
|
host ::
RSS.