|
|
Optimization of a Deep Neural Network Label Encoding in a Multi-Label Problem.
Zaťko, Martin ; Novotná, Petra (oponent) ; Hejč, Jakub (vedoucí práce)
The aim of the diploma thesis is to propose a method of deep learning for the classification of arrhythmias from ECG recordings and to compare the effect of coding its outputs on the overall quality of the model. A 1D convolutional neural network was selected and methods of label coding using one-hot coding, ordinal coding, the method using an autoencoder and the word embbeding method were tested and compared on it. The obtained results show that the use of the word embbeding method can increase the classification capacity of the proposed network.
|
|
|
Detekce kategorie obsahu webové stránky prostřednictvím metod strojového učení.
DOHNAL, Patrik
Tato bakalářská práce se zabývá návrhem systému pro klasifikaci obsahu webových stránek včetně následné implementace v programovacím jazyce Python. K samotné klasifikaci jsou využívány modely strojového učení jako jsou Naivní Bayesův klasifikátor, K-Nejbližších sousedů a Support Vector Machines. V rámci celého procesu se rovněž předpokládá tvorba vlastní množiny dat, na kterých jsou tyto modely trénovány a následně testovány. Součástí práce je i podrobná rešerše použitých metod.
|
|
|
Optimization of a Deep Neural Network Label Encoding in a Multi-Label Problem.
Zaťko, Martin ; Novotná, Petra (oponent) ; Hejč, Jakub (vedoucí práce)
The aim of the diploma thesis is to propose a method of deep learning for the classification of arrhythmias from ECG recordings and to compare the effect of coding its outputs on the overall quality of the model. A 1D convolutional neural network was selected and methods of label coding using one-hot coding, ordinal coding, the method using an autoencoder and the word embbeding method were tested and compared on it. The obtained results show that the use of the word embbeding method can increase the classification capacity of the proposed network.
|
|
|
Deep contextualized word embeddings from character language models for neural sequence labeling
Lief, Eric ; Pecina, Pavel (vedoucí práce) ; Kocmi, Tom (oponent)
Rodina úkolů pro zpracování přirozeného jazyka (NLP), jako je označování po částech řeči (PoS), identifikace pojmenované entity (NER) a identifikace více slov (MWE), zahrnují přiřazení štítků sekvencím slov v textu označování). Většina moderních přístupů strojového učení k sekvenčnímu označování využívá vkládání slov, naučené reprezentace textu, ve kterých mají slova s podobnými významy podobné reprezentace. Docela nedávno, kontextualizované slovní embeddings získaly hodně pozornosti, protože na rozdíl od předem vyškolených kontextově necitlivých embeddings, jako je word2vec, jsou schopni zachytit význam slova v kontextu. V této diplomové práci hodnotím výkonnost různých nastavení vkládání (kontextu citlivé, kontextově necitlivé slovo, stejně jako slovo specifické pro danou práci, charakter, lemma a PoS) na třech výše uvedených úlohách označování sekvence pomocí hlubokého modelu učení ( BiLSTM) a portugalských datových sad.
|
host ::
RSS.