Ing. Miroslav Čepek, Ph.D.

Ing. Miroslav Čepek, Ph.D.

Ing. Zdeněk Buk, Ph.D.

Katedra aplikované matematiky

AWS Deepracer je oblíbená platforma pro vývoj autonomních závodních vozů s využitím posilovacího učení. Cílem této práce je vyvinout model pro AWS Deepracer, který dokáže navigovat na tratích, které dosud neviděl. Metoda, která byla použita k dosažení takového modelu, zahrnovala použití kombinace technik včetně augmentace dat a ladění hyperparametrů. Model byl natrénován na sadě tratí, které nebyly zahrnuty do sady vyhodnocovacích dat, a jeho výkon byl vyhodnocen na samostatné sadě tratí. Výsledkem této práce jsou dva modely AWS Deepracer, jeden pomalejší, ale pečlivější, a jeden rychlejší, ale méně přesný. Oba tyto modely jsou však schopny fungovat poměrně přesně na široké škále tratí, včetně těch na kterých se netrénoval. Výstupy této práce umožňují budoucím vývojářům AWS Deepracer, kteří by mohli chtít vytvořit obecný model, začít s některými poznatky o tomto procesu nebo použít již natrénované modely z této práce jako základ pro své vlastní modely.

Práce na DSpace

Ing. Miroslav Čepek, Ph.D.

doc. Ing. Kamil Dedecius, Ph.D.

Katedra aplikované matematiky

Práce se zabývá automatickým rozpoznáváním registračních značek vozidel. Výsledkem této práce je program, který je schopen rozpoznávat text na jednořádkových registračních značkách s tmavým textem na světlém pozadí. Výstupem programu je fotografie s označenými všemi detekovanými registračními značkami i s rozpoznaným textem. Program je napsán v programovacím jazyce Python a používá YOLO verzi 4 implementovanou za pomoci TensorFlow pro lokalizaci značky a Tesseract pro rozpoznávání znaků. Použitím knihovny OpenCV moje implementace zlepšila počátečné výsledky používající pouze Tesseract OCR a YOLO. Zlepšení správného rozpoznávání bylo více než desetkrát lepší. Správné rozpoznání značek dosáhlo až do 31,5%. Našel jsem také více případů použití, kde se implementace osvědčila.

Práce na DSpace

Ing. Miroslav Čepek, Ph.D.

Mgr. Vojtěch Rybář

Katedra aplikované matematiky

Táto práca sa venuje rozboru metód grafových neurónových sietí pre klasifikáciu vrcholov a grafov. Skúma súčasné knižnice na prácu s grafovými neurónovými sieťami ako StellarGraph, PyTorch Geometric a DGL. Na vybraných datasetoch z Open Graph Benchmark sú otestované a porovnané grafové algoritmy Graph Convolutional Networks, GraphSAGE a Graph Attention Networks. Dosiahnuté výsledky sú porovnané so state of the art výsledkami.

Práce na DSpace

Ing. Miroslav Čepek, Ph.D.

Ing. Luděk Kopáček, Ph.D.

Katedra aplikované matematiky

Táto bakalárska práca sa zameriava na získavanie kompatibility produktov z produktových popisov. Riešenie využíva známe modely strojového učenia z oblasti spracovania prirodzeného jazyka. Špecificky sa práca zameriava na úlohy rozpoznávania pomenovaných entít, extrakcie vzťahov a odpovedania na otázky. Vhodný dataset musí obsahovať anotácie pre pomenované entity a vzťahy medzi nimi. Po vytvorení datasetu sa aplikujú vybrané modely strojového učenia. Podarilo sa mi extrahovať informácie o kompatibilite produktov so skóre 62.30 %, pričom som aplikoval len rozpoznávanie pomenovaných entít a extrakciu vzťahov. Rozhodli sme sa vynechať úlohu odpovedania na otázky, pretože by sme presiahli rozsah bakalárskej práce. Táto práca prináša riešenie pre využitie predtrénovaných modelov, za účelom analýzy popisov produktov a záskania informácie o ich kompatibilite. V závere sú popísané možnosti pre ďalší výskum. A ako príloha je uvedený podrobný popis konfiguračného súboru použitého pre náš model.

Práce na DSpace

Ing. Miroslav Čepek, Ph.D.

doc. Ing. Ivan Šimeček, Ph.D.

Katedra aplikované matematiky

Z různých důvodů - například z důvodu ochrany soukromí nebo bezpečnosti - není vždy možné pracovat přímo s původním grafem, například s grafem bankovních transakcí nebo interakcí na sociálních sítích. Tyto grafy jsou nezbytné pro ML projekty, jako jsou bankovní bezpečnostní systémy pro detekci abnormálních transakcí, doporučovací systémy sociálních sítí a mnoho dalších podobných projektů. Cílem této práce je prozkoumat současné existující techniky generování grafů a posoudit, nakolik syntetické grafy statisticky odpovídají vlastnostem grafů původních. Posuzuje také možnost využití strukturních embeddingových modelů pro klasifikační problémy s využitím syntetických grafů.

Práce na DSpace

Ing. Miroslav Čepek, Ph.D.

Ing. Magda Friedjungová, Ph.D.

Katedra aplikované matematiky

Tato práce se zabývá problematikou generování tabulkových dat se zachováním závislostí. Cílem práce je vytvoření generátoru, který umožní syntézu dat se stejnými statistickými vlastnostmi jako mají data původní. Dále musí být model schopný generovat jak numerická, tak i kategorická data. Práce se podrobněji věnuje implementaci dvou generativních modelů, a to variačnímu autoenkodéru a Generative adversarial networks. V experimentální části práce jsou tyto modely porovnávány s vybranými generátory z knihovny Synthetic data vault. Výstupy z jednotlivých modelů jsou hodnoceny na základě úspěšnosti při klasifikačních a regresních úlohách. Přesto, že Generative adversarial networks opakovaně dosáhly nejlepších výsledků, nelze jednoznačně určit lepší model. Oba generátory prokázaly, že jsou schopné úspěšně syntetizovat tabulková data se zachováním potřebných vlastností.

Práce na DSpace

Ing. Miroslav Čepek, Ph.D.

Ing. Zdeněk Buk, Ph.D.

Katedra aplikované matematiky

V rámci této práce byl proveden literární průzkum různých metodik autonomního řízení a architektur modelů strojového učení se zaměřením na vyhýbání se objektům. Práce dále zkoumá možnosti platformy autonomního závodního vozu AWS DeepRacer. Tato platforma je využita ke zkoumání proveditelnosti trénování end-to-end modelů autonomního řízení zaměřených na vyhýbání se objektům pomocí posilovaného učení. Byly porovnávány dvě architektury samořídicích modelů, a to třívrstvá konvoluční neuronová síť a pětivrstvá konvoluční neuronová sít. Dále byl porovnáván vliv volby senzorů na úlohu autonomního vyhýbání se objektům. Experimenty v simulovaném prostředí ukázaly, že nejlépe si vedla architektura třívrstvé konvoluční neuronové sítě, která byla vybavena stereokamerou a LiDAR senzorem. Model byl následně nasazen do vozidla DeepRacer a demonstrován v reálném světě. Práce úspěšně prokázala proveditelnost trénování end-to-end autonomních modelů s využitím AWS DeepRacer platformy a simulovaného prostředí.

Práce na DSpace

Ing. Miroslav Čepek, Ph.D.

Rodrigo Augusto da Silva Alves, Ph.D.

Katedra aplikované matematiky

Rast popularity a významu aplikácie strojového učenia v rôznych odvetviach viedol k postupnému rozšireniu principov DevOps o koncepty súvisiace s dátami a modelmi, výsledkom čoho došlo k vzniku paradigmy známej ako MLOps. Táto diplomová práca skúma jej dôležitost', hlavné principy a fázy, ktoré s ňou súvisia. V práci poskytujeme prehl'ad MLOps nástrojov a ich hlavných funkcionalit, na základe ktorého vyberáme tie najvhodnejšie pre účely využitia v procese výuky. Výsledkom tejto analýzy je "proof of concept" riešenie, ktoré môže slúžit' ako základ pre d'alši výskum možnosti začlenenia operácii strojového učenia za účelmi zjednodušenia procesu vývoja modelov pre študentov a výskumnikov na našej univerzite.

Práce na DSpace

Ing. Miroslav Čepek, Ph.D.

Ing. Magda Friedjungová, Ph.D.

Katedra aplikované matematiky

Digitální obrazové vodoznaky jsou široce používanou technikou pro ochranu duševního vlastnictví nebo ověřování digitálních médií, ale mohou mít negativní vliv na kvalitu a použitelnost obrázků. To motivuje potřebu odstraňovat vodoznaky z obrázků a hluboké učení představuje potenciální řešení. V této práci je vyvinutá metoda pro odstraňování vodoznaků pomocí hlubokého učení, včetně rešerše stávajících technik a návrhu architektury. Úspěšnost metody je vyhodnocena z hlediska přesnosti detekce vodoznaků a kvality rekonstrukce původních obrázků.

Práce na DSpace