|
|
Behaviour-Based Identification of Network Devices
Polák, Michael Adam ; Holkovič, Martin (oponent) ; Polčák, Libor (vedoucí práce)
This thesis deals with the topic of identifying devices based on their behaviour. With the increasing number of devices on the network, it is becoming more and more important to be able to identify these devices based on their behaviour, due to the increased security risks. General networking concepts and multiple methods that have been used in the past to identify devices are discussed throughout the work. Subsequently, machine learning algorithms and their advantages and disadvantages are introduced. Finally, this thesis tests two traditional machine learning algorithms and proposes two new approaches to network device identification. The resulting final algorithm achieves the accuracy of 89% on a real life data-set with over 10,000 devices using a set of only eight features.
|
|
|
Adaptivní model pro simulaci znečištění ovzduší
Pazúriková, Jana ; Šátek, Václav (oponent) ; Dvořák, Radim (vedoucí práce)
Znečištění ovzduší ohrožuje životní prostředí i životy lidí a je třeba lépe pochopit procesy, které se za ním skrývají. Počítačové modely a jejich simulace pomocí advekčně-difuzní rovnice, popřípade jinými způsoby, poměrně přesně reprezentují pohyb a proměny kontaminantu. Současné modely jsou však validní pouze za určitých omezených počátečních podmínek. V práci je představen obecný model kombinující několik specifických modelů, které jsou schopny měnit se dle vstupních parametrů a zlepšovat se trénováním. Adaptivnost systému je zajištěna rozhodovacím stromem a genetickým algoritmem. Rozhodovací strom reprezentuje datovou strukturu s informacemi pro proces výběru a kombinaci modelů, genetický algoritmus slouží jako optimalizační metoda pro přizpůsobení stromu trénovacími daty. Ohodnocení implementovaného systému dokazuje, že kombinace modelů dává lepší výsledky než modely samotné. I s jednoduchými specifickými modely má systém výsledky srovnatelné se současnými modely znečištění ovzduší.
|
|
|
Analýza dat z výrobního procesu
Krčmář, Martin ; Honzík, Petr (oponent) ; Zezulka, František (vedoucí práce)
Tato bakalářská práce se věnuje klasifikaci výrobních dat pomocí algoritmů: neuronové sítě, rozhodovací stromy a naivní bayesovský klasifikátor. Z neuronových sítí se věnuje dopředným vícevrstvým sítím s učícím algoritmem backpropagation. V bakalářské práci jsou tyto algoritmy popsány a zhodnoceny jejich klady a zápory. Další část práce se zabývá vývojem programu v jazyce C# pro tvorbu těchto algoritmů. Poslední část práce je věnována zhodnocení dosažených výsledků. Bakalářská práce obsahuje ukázku vytvořených klasifikačních modelů rozhodovacího stromu a naivního bayesovského klasifikátoru.
|
|
|
Umělá inteligence ve hře Bang!
Kolář, Vít ; Lodrová, Dana (oponent) ; Orság, Filip (vedoucí práce)
Cílem této diplomové práce je vytvoření umělé inteligence do karetní hry Bang!. Obsahem této práce je kompletní popis hry Bang!, její pravidla, strategické principy používané při hraní a rozbor hry pohledu UI. Dále práce podává přehled metod umělé inteligence a základní informace o disciplíně teorie her. Následuje popis implementace v jazyce C++ a způsobu vytvoření umělé inteligence za pomoci Bayesovské klasifikace a rozhodovacích stromů založených na expertních systémech. Poslední část obsahuje zhodnocení vesměs pozitivních výsledků a závěr s možnými dalšími rozšířeními.
|
|
|
Porovnání klasifikačních metod
Dočekal, Martin ; Zendulka, Jaroslav (oponent) ; Burgetová, Ivana (vedoucí práce)
Tato práce se zabývá porovnáním klasifikátorů. Nejprve jsou popsány klasifikační techniky založené na strojovém učení, poté je navržen a implementován systém pro porovnání klasifikátorů. Dále jsou popsány klasifikační úlohy a datové sady, na kterých je systém otestován. Vyhodnocení je prováděno pomocí standardních metrik. V rámci práce je též navržen a implementován klasifikátor založený na principu evolučních algoritmů.
|
|
|
Rozpoznání ručně psaných číslic
Štrba, Miroslav ; Španěl, Michal (oponent) ; Herout, Adam (vedoucí práce)
Rozpoznávání ručně psaných číslic je problém, který se dá použít jako modelová úloha pro vícetřídní rozpoznávání vzorů v obraze. Tato práce zkoumá různé druhy algoritmů (Samo-organizující se mapy, Stromové klasifikátory a AdaBoost) a metody pro zvyšování úspěšnosti klasifikace pomocí fúze (většinové rozhodování, průměrování logaritmických pravděpodobnostních hodnot, lineární logistická regrese). Metody fúze byly využité na kombinaci klasifikátorů s identickými parametry trénování, s rozdílnými trénovacími metodami a s podvzorkovaným vstupním vzorem.
|
|
| |
|
| |
|
|
Rozpoznání ručně psaných číslic
Hekrdla, Michal ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Tato bakalářská práce se zabývá problematikou rozpoznání ručně psaných číslic metodou rozhodovacích stromů. Popisuje princip metody, využití databáze NIST (Národní institut standardů a technologie) pro účely učení algoritmu, konstrukci stromu tagů a rozhodovacího stromu. Popisuje také Implementaci této metody na demonstračním programu, který je její programovou částí. Na závěr se zabývá testováním rozpoznávání programu a jeho zhodnocením.
|
|
|
Sémantické rozpoznávání komentářů na webu
Stříteský, Radek ; Harár, Pavol (oponent) ; Povoda, Lukáš (vedoucí práce)
Hlavním cílem semestrálního projektu je rozpoznávání komentářů na webových strán- kách. Teoretická část je zaměřena na umělou inteligenci, zejména se zde popisují klasi- fikátory. Praktická část se věnuje sestavení trénovací databáze, která se vytváří pomocí generátorů příznaků. Vygenerovaný příznak může být například název HTML elementu, ve kterém se nachází komentář. Vstupem klasifikátorů je vytvořená trénovací databáze. Výsledkem práce je testování klasifikátorů v programu RapidMiner.
|
host ::
RSS.