|
|
Detekce útoků na službu ssh na úrovni netflow
Marek, Marcel ; Barabas, Maroš (oponent) ; Michlovský, Zbyněk (vedoucí práce)
Práce krátce popisuje základní principy protokolu SSH, jeho architekturu a používané šifrování. Dále se práce zabývá dolováním dat z nižších vrstev síťové komunikace a využitím těchto informací k detekci útoků. Také popisuje použité slovníkové útoky na službu SSH a s využitím NetFlow ukazuje možnosti dalšího zvýšení síťové bezpečnosti.
|
|
|
Analýza a klasifikace dat ze snímače mozkové aktivity
Jileček, Jan ; Černocký, Jan (oponent) ; Szőke, Igor (vedoucí práce)
V této práci zkoumám snímač mozkové aktivity OpenBCI Ultracortex IV EEG ve formě headsetu, problematiku nahrávání EEG dat, neurofeedbacku a metody strojového učení z nasbíraných dat mozkové aktivity sensorimotorické části mozku, ve které sleduji EEG signatury záměru pro pohyb levé a pravé ruky. Výstupem je několik datových sad pro trénování a testování, nástroj pro sběr dat mozkové aktivity, demo neurofeedback aplikace a statistické údaje vycházející z analýzy nasbíraných dat. Čerpám zde z existujících výzkumů, se kterými porovnávám dosažené výsledky. Použité metody a jejich úspěšnost popíšu a vyhodnotím jejich efektivitu.
|
|
|
Klasifikační metody pro data z mikročipů
Hudec, Vladimír ; Bartík, Vladimír (oponent) ; Burgetová, Ivana (vedoucí práce)
Tato práce pojednává o datech získaných z genetických čipů a metodách jejich analýzy. Rozebírá některé metody pro analýzu těchto dat a detailněji se zaměřuje na metodu "Random Forests". Obeznamuje s datasetem který je použit pro experimenty. Metody jsou realizovány v prostředí jazyka R. Jednotlivé výsledky jsou zhodnoceny a porovnány. Výsledky dosažené s metodou "Random Forests" jsou porovnány s jinými experimenty nad stejným datasetem.
|
|
|
Statistical models for prediction of project duration
Oberta, Dušan ; Žák, Libor (oponent) ; Hübnerová, Zuzana (vedoucí práce)
The aim of this thesis is to introduce statistical models suitable for data analysis and apply them on real data related to time duration of projects based on characteristics of given projects. In the first chapter, linear regression models based on the least squares method are studied, including their properties and prediction intervals. The next chapter deals with the problematics of generalized linear models, which are based on the maximum likelihood estimation principle. Also basic properties of generalized linear models and asymptotic confidence intervals for expected values are described. In the next chapter, regression trees are introduced, with two methods of growing the trees, namely least squares and maximum likelihood estimation. Also basic principles of pruning the trees and confidence intervals for expected values were described. Derivation of maximum likelihood estimation for regression trees and confidence intervals are to a great extent own work of the author. The last described models are random forests, including their basic properties and confidence intervals for expected values. Throughout these chapters, methods for assessing model's quality, selection of optimal submodel and finding optimal values for tuning parameters were also described. At the end, the studied models and algorithms are implemented in Python and applied on real data.
|
|
|
Modern regression methods in data mining
Kopal, Vojtěch ; Holeňa, Martin (vedoucí práce) ; Gemrot, Jakub (oponent)
Tato práce porovnává nelineární regresní metody na umělých datech vytvořených po- mocí standardních testovacích funkcí pro spojité black-box optimalizace. Pro toto srovnání jsme vybrali následující regresní metody: sítě s bázemi tvořenými radiálními funkcemi, Gaussovské procesy, regresi založenou na opěrných vektorech a náhodné lesy. Metody jsou porovnány v kontextu problémů black-box optimalizace, kde se právě tyto metody používají jako náhradní modely. Metody jsou vyhodnoceny na základě střední kvadratické chyby a na základě Kendallova koeficientu mezi pořadím funkčních hodnot podle modelu a podle funkce, která byla použita k vygenerování dat. 1
|
|
|
Analýza a klasifikace dat ze snímače mozkové aktivity
Jileček, Jan ; Černocký, Jan (oponent) ; Szőke, Igor (vedoucí práce)
V této práci zkoumám snímač mozkové aktivity OpenBCI Ultracortex IV EEG ve formě headsetu, problematiku nahrávání EEG dat, neurofeedbacku a metody strojového učení z nasbíraných dat mozkové aktivity sensorimotorické části mozku, ve které sleduji EEG signatury záměru pro pohyb levé a pravé ruky. Výstupem je několik datových sad pro trénování a testování, nástroj pro sběr dat mozkové aktivity, demo neurofeedback aplikace a statistické údaje vycházející z analýzy nasbíraných dat. Čerpám zde z existujících výzkumů, se kterými porovnávám dosažené výsledky. Použité metody a jejich úspěšnost popíšu a vyhodnotím jejich efektivitu.
|
|
| |
|
|
Neural networks and tree-based credit scoring models
Turlík, Tomáš ; Krištoufek, Ladislav (vedoucí práce) ; Fanta, Nicolas (oponent)
Jednou z najzákladnejších úloh kreditného skóringu je klasifikácia poten- cionálnych klientov žiadajúcich o úver na "dobrých" alebo "zlých", na zák- lade pravdedepobnosti, že by neboli schopní splácať úver v prípade, že by im bol odsúhlasený. V tejto práci porovnávame často použivanú logistickú regresiu, neuronové siete a ensemble modely založené na stromových metó- dach. Pri konštrukcii neuronových sietí používame nové metódy a poznatky z oblasti hlbokého učenia, zaťiaľčo v prípade stromov používame populárne ensemble algoritmy bagging, boosting a náhodné lesy. Modely porovnávame na základe ROC AUC miery, ktorá by mala poskytnúť väčšiu informačnú hodnotu ako len samotná presnosť. Výsledky naznačujú malý alebo takmer žiadny rozdiel medzi modelmi. V najlepšom prípade, dosahujú neuronové siete, boosted ensemble modely a zložené ensemble modely len približne o 1% − 2% väčšiu ROC AUC hodnotu ako logistická regresia. Klíčová slova kreditní skóring, neuronové sítě, rozhodovací strom, bagging, boosting, náhodný les, ensemble, ROC křivka
|
|
|
Comparison of statistical methods for the scoring models development
Mrázková, Adéla ; Vitali, Sebastiano (vedoucí práce) ; Kopa, Miloš (oponent)
Cílem práce je představit a shrnout obecný postup vývoje skóringového modelu a základních statistických přístupů používaných k řešení tohoto problému, konkrétně metody logistické regrese, neuronové sítě a rozhodovací stromy (náhodné lesy). Následuje aplikace popsaných metod na reálných datech poskytnutých společností PROFI CREDIT Czech, a.s., včetně diskuze některých implementačních otázek a jejich řešení. Obdržené výsledky jsou diskutovány a porovnávány.
|
|
|
Využití statistických metod při oceňování nemovitostí
Funiok, Ondřej ; Pecáková, Iva (vedoucí práce) ; Řezanková, Hana (oponent)
Diplomová práce se zabývá oceňováním nemovitostí v České republice za pomocí statistických metod. Práce se zaměřuje komplexní úlohu založenou na datech z inzertního webového portálu. Cílem diplomové práce je vytvoření prototypu statistického predikčního modelu pro oceňování obytných nemovitostí v Praze a jeho vyhodnocení pro další možnosti rozšiřování. Struktura práce je koncipovaná podle metodiky CRISP-DM. Na předzpracovaných datech jsou postupně vyzkoušeny metody regresních stromů a náhodných lesů, pomocí kterých je predikována cena nemovitostí.
|
host ::
RSS.