|
| |
|
| |
|
|
Meta-učení v oblasti dolování dat
Kučera, Petr ; Hlosta, Martin (oponent) ; Bartík, Vladimír (vedoucí práce)
Tato práce popisuje možnosti využití meta-učení v oblasti dolování dat. Popisuje problémy a úlohy dolování dat, na které je možné aplikovat meta-učení, se zaměřením na klasifikaci. Obsahuje přehled technik meta-učení a jejich možné využití v dolování dat, především v oblasti selekce modelu. Popisuje návrh a implementaci meta-učícího systém pro podporu klasifikačních úloh v dolování. Systém používá statistiku a teorii informací pro charakterizaci datových sad uložených v bázi meta-znalostí. Z báze pak vytváří meta-klasifikátor, který predikuje vhodný model pro nové datové sady. V závěru jsou diskutovány výsledky získané experimenty se systémem s více než 20 datovými sadami reprezentujícími klasifikační úlohy z různých oblastí a uvádí možnosti dalších rozšíření projektu.
|
|
|
Adaptive Matchmaking Algorithms for Computational Multi-Agent Systems
Kazík, Ondřej ; Neruda, Roman (vedoucí práce) ; Paprzycki, Marcin (oponent) ; Diamantini, Claudia (oponent)
Multi-agentní systémy (MAS) se ukázaly být vhodným rámcem pro imple- mentaci rozsáhlých softwarových systém·. Za pomoci organizačního modelu založeného na pojmu role provádíme v této práci analýzu a návrh MAS za- měřeného na úlohu dobývání znalostí. Tento organizační model byl společně s modelem metod dobývání znalostí formalizován za pomoci deskripční logiky. Matchmakingem, který je hlavním tématem výzkumu, rozumíme doporučování výpočetních agent·, tedy agent· zapouzdřujících některou výpočetní metodu, podle jejich schopností a předchozích výsledk·. Matchmaking se zde tedy skládá ze dvou složek: dotazování nad ontologickým modelem a meta-učení. Byly rozpracovány tři scénáře meta-učení: optimalizace v prostoru parametr·, vícekriteriální optimalizace proces· dobývání znalostí a doporučování metod. Provedli jsme v těchto scénářích sérii experiment·. 1
|
|
|
Evolutionary optimization of machine learning workflows
Suchopárová, Gabriela ; Neruda, Roman (vedoucí práce) ; Pilát, Martin (oponent)
Práce se zabývá automatickým strojovým učením (AutoML), které má za cíl automati- zovat proces výběru vhodného modelu strojového učení pro daný problém. Vyvinuli jsme systém, který pro zadanou úlohu učení s učitelem reprezentovanou množinou dat najde vhodné schéma řešení (pipeline) - kombinaci metod strojového učení, ansámblů a metod předzpracování. Jako prohledávací algoritmus jsme navrhli speciální variantu develop- mentálního genetického programování, která umožňuje reprezentovat orientované acyk- lické grafy schémat řešení pomocí stromů. Systém je implementován v programovacím jazyce Python a využívá knihovnu scikit-learn. Úspěšnost našeho řešení byla ověřena na 72 datových množinách benchmarku OpenML-CC18, na kterém jsme dosáhli dobrých výsledků. 1
|
|
|
Estimating performance of classifiers from dataset properties
Todt, Michal ; Polák, Petr (vedoucí práce) ; Baruník, Jozef (oponent)
Následující diplomová práce zkoumá vliv charakteristik dat z hlediska jejich rozdělení na výkonost klasifikačních metod. Použiváme metodu Gassovských kopulí a simulaci 1000 umělých datasetů. Trénujeme klasifikační metody GLM, GBM, DRF, XRT pomocí platformy pro strojové učení H2O.ai, přistupujeme k ní však pomocí R. Na těchto datasetech testujeme výkonost jenotlivých klasi- fikačních metod a prezentujeme vypozorované souvislosti. Dále používame reálný dataset o Australských půjčkách a předpovídame, která by méla být ta nejvýkonější. Predikovaná výkonost jednotlivých metod je počítána pomocí penalizování za rozdílnost Australského datasetu od datasetů, kde každá z metod fungovala komparativně lépe. Tento způsob předpovedi se ukázal jako nefungující. 1
|
|
|
Adaptive Matchmaking Algorithms for Computational Multi-Agent Systems
Kazík, Ondřej ; Neruda, Roman (vedoucí práce) ; Paprzycki, Marcin (oponent) ; Diamantini, Claudia (oponent)
Multi-agentní systémy (MAS) se ukázaly být vhodným rámcem pro imple- mentaci rozsáhlých softwarových systém·. Za pomoci organizačního modelu založeného na pojmu role provádíme v této práci analýzu a návrh MAS za- měřeného na úlohu dobývání znalostí. Tento organizační model byl společně s modelem metod dobývání znalostí formalizován za pomoci deskripční logiky. Matchmakingem, který je hlavním tématem výzkumu, rozumíme doporučování výpočetních agent·, tedy agent· zapouzdřujících některou výpočetní metodu, podle jejich schopností a předchozích výsledk·. Matchmaking se zde tedy skládá ze dvou složek: dotazování nad ontologickým modelem a meta-učení. Byly rozpracovány tři scénáře meta-učení: optimalizace v prostoru parametr·, vícekriteriální optimalizace proces· dobývání znalostí a doporučování metod. Provedli jsme v těchto scénářích sérii experiment·. 1
|
|
| |
|
|
Meta-učení v oblasti dolování dat
Kučera, Petr ; Hlosta, Martin (oponent) ; Bartík, Vladimír (vedoucí práce)
Tato práce popisuje možnosti využití meta-učení v oblasti dolování dat. Popisuje problémy a úlohy dolování dat, na které je možné aplikovat meta-učení, se zaměřením na klasifikaci. Obsahuje přehled technik meta-učení a jejich možné využití v dolování dat, především v oblasti selekce modelu. Popisuje návrh a implementaci meta-učícího systém pro podporu klasifikačních úloh v dolování. Systém používá statistiku a teorii informací pro charakterizaci datových sad uložených v bázi meta-znalostí. Z báze pak vytváří meta-klasifikátor, který predikuje vhodný model pro nové datové sady. V závěru jsou diskutovány výsledky získané experimenty se systémem s více než 20 datovými sadami reprezentujícími klasifikační úlohy z různých oblastí a uvádí možnosti dalších rozšíření projektu.
|
|
| |
host ::
RSS.