|
| |
|
|
Geometrické algebry a neuronové sítě
Zapletal, Jakub ; Procházková, Jana (oponent) ; Vašík, Petr (vedoucí práce)
Tato práce se zabývá využitím geometrických algeber v oboru neuronových sítí. Nejprve je představena konformní geometrická algebra (CGA) a geometrická algebra pro kuželosečky (GAC) a jejich implementace v jazyce Python. Poté je popsáno fungování neuronových sítí včetně vysvětlujícího příkladu. Obě témata jsou nakonec propojena užitím příslušné knihovny v jazyce Python a na několika příkladech jsou demonstrovány možnosti geometrických algeber pro různé modely neuronových sítí.
|
|
|
Reconstruction of a Damaged Facial Image
Pleško, Filip ; Orság, Filip (oponent) ; Goldmann, Tomáš (vedoucí práce)
Generative adversarial networks (GANs) are fast evolving technology in image generation field. In this thesis are GANs used for face image reconstruction, where the face was covered with some item. First some necessary theory is explained, and then existing solutions are discussed. In the end, several GAN models are proposed with intention to find out what layers combination work the best for face image reconstruction. The best solutions are combined into final architecture. The final model is also tested on face recognition task to determine whether face reconstruction can be helpful in this task.
|
|
|
Maximalizace Giniho koeficientu v binární logistické regresi
Říha, Samuel ; Hanzák, Tomáš (vedoucí práce) ; Hlávka, Zdeněk (oponent)
V bakalářké práci je popsán model binární logistické regrese. Pomocí pojmu ztrátové funkce jsou odvozeny metody odhadu parametrů modelu. Je definována "bohatá" množina "hezkých" ztrátových funkcí - beta rodina Fisher-konzistentních ztrátových funkcí. V druhé části práce jsou definované základní ukazatele těsnosti modelu - Giniho koeficient, C-statistika, Kolmogorov-Smirnov statistika a koefi- cient determinace R2 . Dále je rozebrána možnost odhadovat parametry modelu maximalizací Giniho koeficientu. K tomuto účelu je navrženo několik algoritmů, které jsou porovnány s již existujícími metodami na jedné sadě simulovaných a třech sadách reálných dat. 1
|
|
|
Impact Of Loss Function On Multi-Frame Super-Resolution
Mezina, Anzhelika
Nowadays, one of the most popular topics in image processing is super-resolution. Thisproblem is getting more actual even in security, since monitoring cameras are everywhere and inthe case of an incident, it is necessary to recognize a person from records. A lot of approaches exist,which are able to reconstruct image, and the most of them are based on deep learning. The main focusof this work is to analyze, which loss function for neural networks is more effective for real-worldimage reconstruction. For this experiment chosen architecture and dataset are used for multi-framesuper-resolution for _x0002_8 scaling.
|
|
| |
|
|
Two-stage backtesting of Value-at-Risk models
Matyáš, Jan ; Seidler, Jakub (vedoucí práce) ; Brechler, Josef (oponent)
Bachelor Thesis Two-stage backtesting of Value-at-Risk models Jan Matyáš Abstrakt práce Tato práce se zabývá srovnáváním zvolených Value-at-Risk modelů na základě jejich přesnosti předpovědí. Používáme dvou-úrovňový systém zpětného testování pro nalezení přístupu produkujícího nejvíce robustní odhady. Použitý rámec zpětného testování se skládá z testů nezávislosti, nepodmíněného krytí a podmíněného krytí a následující úrovně testovaní, který využívá ztrátovou funkci umožňující porovnání dvou vybraných modelů z předchozí části. Pro reprezentaci finančních trhů používáme čtyři akciové indexy zastupující jak rozvinuté ekonomiky (DAX, ATX), tak rozvíjející se země (PX, WIG). Modely jsou zkoumány v období mezi lednem 1997 a únorem 2014. Nejlepší výsledky jsme získali pro historickou metodu při 99% intervalu spolehlivosti. Při použití stabilního rozdělení nebo nižšího intervalu spolehlivosti jsme nezískali uspokojivé výsledky. Powered by TCPDF (www.tcpdf.org)
|
|
|
Maximalizace Giniho koeficientu v binární logistické regresi
Říha, Samuel ; Hanzák, Tomáš (vedoucí práce) ; Hlávka, Zdeněk (oponent)
V bakalářké práci je popsán model binární logistické regrese. Pomocí pojmu ztrátové funkce jsou odvozeny metody odhadu parametrů modelu. Je definována "bohatá" množina "hezkých" ztrátových funkcí - beta rodina Fisher-konzistentních ztrátových funkcí. V druhé části práce jsou definované základní ukazatele těsnosti modelu - Giniho koeficient, C-statistika, Kolmogorov-Smirnov statistika a koefi- cient determinace R2 . Dále je rozebrána možnost odhadovat parametry modelu maximalizací Giniho koeficientu. K tomuto účelu je navrženo několik algoritmů, které jsou porovnány s již existujícími metodami na jedné sadě simulovaných a třech sadách reálných dat. 1
|
|
|
Cílování inflace v ČR
Klukavý, Petr ; Koderová, Jitka (vedoucí práce) ; Langer, Miroslav (oponent)
Diplomová práce je zaměřena na popis režimu cílování inflace v České republice. Práce je rozdělena na 3 hlavní celky. První celek se obecně věnuje problematice inflace a jejího cílování a dále pak okolnostem, které vedly k zavedení tohoto režimu v ČR. Druhá část se zabývá samotnou problematikou transmisních kanálů v režimu cílování inflace, reakční funkcí ČNB, zhodnocením úspěšnosti ČNB při plnění stanovených inflačních cílů a v závěru popisem modelů, které ČNB používá při prognóze inflace. Hlavní důraz je kladen na nový jádrový predikční model "g3". V závěrečné části je pak provedena vlastní prognóza inflace pomocí analýzy časových řad.
|
host ::
RSS.