Bakalářské práce
Generativní modely založené na flow matchingu a jejich užití při zvyšování rozlišení meteorologických dat
Autor
Matyáš Kohout
Rok
2026
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Daniel Dombek, Ph.D.
Katedra
Anotace
Tato práce prozkoumává koncept Flow Matchingu a používá modely na něm založené pro zvýšení rozlišení obrázků a meteorologických dat, konkrétně teploty ve výšce 2 m nad zemí. Experimenty ukázaly, že model na bázi Flow Matchingu natrénovaný na datasetu DIV2K není vhodný pro zvyšování rozlišení normálních obrázků, minimálně při použití architektury neuronové sítě U-Net. Model vykazoval horší výsledky, jak oproti difuznímu modelu, tak i proti jednoduché bikubické interpolaci. Oproti tomu, pro zvýšení rozlišení meteorologických dat se Flow Matching ukázal jako vysoce úspěšný. Model natrénovaný na datasetu WeatherBench nejenže překonal difuzní model ve všech výkonnostních metrikách, ale dokonce měl rychlejší trénink i generaci dat.
Posilované učení pro karetní hru Prší
Autor
Josef Vašata
Rok
2026
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
RNDr. Luděk Kleprlík, Ph.D.
Katedra
Anotace
Práce zkoumá aplikaci metod posilovaného učení na Prší, stochastickou karetní hru s neúplnou informací. Pro účely vyhodnocení čtyř algoritmů Monte Carlo, Q-Learning, Deep Q-Network (DQN) a REINFORCE bylo vytvořeno prostředí v jazyce Python.
Zatímco metody založené na odhadu q funkce s pomocí hlubokého učení nedokázaly konvergovat v rámci tréninkových omezení, nejlepší běhy tabulkových metod dosáhly úspěšnosti těsně pod 50 % proti referenční hladové (greedy) strategii. Algoritmus REINFORCE se ukázal jako nejlepší a dosáhl přibližně 65% úspěšnosti proti referenční hladové strategii. V závěrečných 284 hrách proti lidem agent úspěšně udržel úspěšnost lidských hráčů na 54.2 % což představuje znatelný pokles oproti 65% lidské úspěšnosti proti referenčnímu agentovi. Tyto výsledky proti lidem ukazují, že metody posilovaného učení se dokážou učit i ve vysoce stochastických karetních hrách s neúplnou informací
a dokážou se přinejmenším přiblížit lidským schopnostem.
Unsupervised machine translation between Czech and German language
Autor
Ivana Kvapilíková
Rok
2020
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Karel Klouda, Ph.D.
Katedra
Anotace
Nedávný výzkum ukázal, že je možné navrhnout překladový systém, který se učí z čistě jednojazyčných textů. Ačkoli kvalita výsledného překladu stále zaostává za standardními systémy trénovanými pomocí textů předem přeložených člověkem, tyto výzkumné snahy otevírají nové možnosti pro datově chudé jazykové páry. Tato práce poskytuje přehled technik pro strojový překlad použitelných právě při nedostatku dat. Nejslibnější přístupy použijeme a porovnáváme jejich výsledky na česko-německém jazykovém páru. Jelikož použité metody závisí na vektorové reprezentaci slov ve vícejazyčném prostoru, zkoumáme tyto reprezentace, abychom ukázali, kolik nesou jazykově neutrální informace.
Využití modelů generativních neuronových sítí pro získání silně vazebných aptamerů
Autor
Dominika Koutná
Rok
2026
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Mgr. Eva Pernecká, Ph.D.
Katedra
Anotace
Tato práce se zabývá aplikací generativního hlubokého učení na sekvence ze SELEX experimentů s cílem generovat kandidátní DNA aptamery vážící se na thrombin. Práce se zaměřuje na trénování a hodnocení několika generativních architektur na sekvencích z posledního kola SELEX. Pro zlepšení učení empirických distribucí byl použit rozšířený dataset reflektující četnost jednotlivých sekvencí. Výkon modelů byl hodnocen porovnáním vygenerovaných sekvencí s trénovacími a testovacími daty a zkoumáním překryvu s výsledky dříve publikovaného modelu Restricted Bolzmann Machine. Výsledky ukazují, že generativní hluboké modely jsou schopny generovat jak známé, tak i nové sekvence, což poskytuje základ pro další výzkum v oblasti generování aptamerů.
Webová aplikace pro číselné kódování textových proměnných v datech
Autor
Miroslav Duka
Rok
2014
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Daniel Dombek, Ph.D.
Katedra
Využití algoritmu Monte Carlo Tree Search pro hraní šachu
Autor
Jakub Král
Rok
2024
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
prof. RNDr. Pavel Surynek, Ph.D.
Katedra
Anotace
Tato práce se zabývá využitím algoritmu Monte Carlo tree search a jeho kombinace s neuronovými
sítěmi a hlubokým posilovaným učením pro hraní šachů. Teoretická část této práce přiblíží čtenáři
posilované učení a jeho algoritmy a metodami. V praktické části byl vytvořen model, který se
učí a hraje na běžném stolním počítači. Toto je řešeno pomocí konvolučních neuronových sítí,
počátečním supervizovaným učením a poté učením pomocí self-play a posilovaného učení. Model,
který by tyto cíle splňoval, se podařilo vytvořit, hraje však na úrovni podstatně nižší, než jakou
jsem si před začátkem práce představoval.
Klasifikace chorob vinné révy pomocí hlubokých neuronových sítí
Autor
Jakub Vybíral
Rok
2025
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
doc. Ing. Štěpán Starosta, Ph.D.
Katedra
Anotace
Choroby révy vinné představují pro vinice vážnou hrozbu, která často vede ke značným ztrátám. Automatizovaná detekce může usnadnit včasný zásah a snížit náklady. Tato práce se zabývá klasifikací fotografií listů a listové plochy révy vinné napadenými pěti vybranými chorobami bakteriální plísni révy, černou hnilobou révy, chřadnutím a odumíráním révy (escou), padlím révy a plísní révy spolu se zdravými daty. Pro lepší zobecnění byl sestaven rozmanitý dataset z několika veřejně dostupných online zdrojů. Pro klasifikační úlohu byl použit transfer learning, přičemž bylo vyhodnoceno několik DL modelů včetně ResNet-50, GoogLeNet, EfficientNet, DenseNet, MobileNet a Vision Transformer. Byly zkoumány různé strategie trénování a architektury modelů s cílem určit nejefektivnější přístup. Vision Transformer se v experimentech ukázal jako nejlepší model a po dalším doladění dosáhl přesnosti 99,43 % na testovacích datech.
Analýza sentimentu recenzí v českém jazyce
Autor
Lukáš Langr
Rok
2019
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Mgr. Petr Novák, Ph.D.
Katedra
Anotace
Tato práce poskytuje bližší pohled na současně nejmodernější metody reprezentace
dokumentů pro účely analýzy sentimentu. Přestože se mnoho nedávných
článků soustředí buď na angličtinu nebo čínštinu, tato práce poskytuje unikátní
hodnocení daných metod z pohledu českého jazyka. Převádíme české rezence
do různých reprezentací a za pomocí modelů strojového učení na nich provádíme
klasifikaci do několika tříd sentimentu. Dosažená přesnost předčila naše očekávání
i podobné výzkumné články v českém prostředí používající stejný dataset.
Věříme, že tato práce bude základem dalšího rozsáhlejšího výzkumu těchto
reprezentací.
Webová aplikace podporující tvorbu rozvrhu kombinovaných studentů
Autor
Jiří Hanuš
Rok
2013
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Karel Klouda, Ph.D.
Katedra
Analýza a predikce chování krevní glukózy s pomocí strojového učení
Autor
Ladislav Floriš
Rok
2022
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Ivo Petr, Ph.D.
Katedra
Anotace
Tato bakalářská práce se zabývá problematikou predikce hladiny glukózy v krvi u pacientů s diabetem typu 1. V naši práci nejprve analyzujeme změny koncentrace glukózy v krvi, a poté
zkoumáme a vyhodnocujeme vhodné modely pro jeji predikci.
Zaměřili jsme se na modely založené na umělých neuronových sitich a support vector machines. Tyto modely byly experimentálně hodnoceny na 30minutovém, 1hodinovém a 2hodinovém predikčnim horizontu. Data použitá v této práci byla shromážděna jednim pacientem po
dobu 128 dnů a obsahuji hodnoty krevni glukózy, dávky inzulinu, přijem sacharidů a fyzickou
aktivitu.
Přesnost modelu byla hodnocena pomoci Root Mean Square Error (RMSE). K měřeni klinické
přesnosti byla použita Clarke error grid analýza. Nejlepši dosažená RMSE byla 17,06 mg/dl,
24,32 mg/dl a 27,11 mg/dl pro 30minutový, 1hodinový a 2hodinový predikčni horizont.
Naše výsledky ukazuji, že je možné vyvinout modely pro predikci krevni glukózy použitelné v praxi. Na rozdil od většiny praci věnujicich se predikci krevni glukózy, jsme použili delši soubor
dat, shromážděný po dobu 4 měsiců. Nakonec jsme dataset veřejně zpřistupnili pro dalši výzkum
v této oblasti.
Analýza diskusních komentářů a jejich autorů na sociálních médiích
Autor
Martin Koucký
Rok
2020
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Karel Klouda, Ph.D.
Katedra
Anotace
Je možné, že na sociálních sítích existují shluky uživatelů nebo anomální uživatelé o kterých se neví.
Tato práce tuto možnost prozkoumává tím, že analyzuje uživatele reprezentované jejich komentáři.
Našli jsme vhodné zdroje dat na sociálních sítích a stáhli z nich data. Poté navrhujeme matematické reprezentace uživatelů vytvořené na základě jejich komentářů. Nakonec se snažíme vysvětlit shluky uživatelů a anomální uživatele za pomocí atributů na socílních sítích a manuální analýzou.
Naše výsledky neprokázali existenci shluků nebo anomálií mezi uživateli sociálních sítí, protože jsme nenašli jasné oddělení normálních a anomálních uživatelů a uživatelů různých shluků.
To mohlo být způsobeno nedostatečnými metodami reprezentace uživatelů nebo manuální analýzy. Mohlo by to ale také znamenat, že žádné shluky uživatelů nebo anomální uživatelé komentující podobným způsobem neexistují.
Webová demonstrace základních statistických výpočtů s využitím matematického software R a SAGE
Autor
Jana Ernekerová
Rok
2015
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Mgr. Rudolf Bohumil Blažek, Ph.D.
Katedra
Anotace
Tato prace se zabyva moznostmi integrace volne dostupnych matematickych algebraickych systemu R a Sage do webove aplikace. Napojeni statistickeho softwaru R do webove aplikace bylo provedeno s vyuzitim API poskytova- neho projektem OpenCPU, napojeni matematickeho softwaru Sage za pomoci sluzby Sage Cell Server. Oba zvolene matematicke systemy se podarilo uspesne vyuzit ve webove aplikaci postavene na jazyce PHP. Vysledkem je jednoducha webova aplikace pro zakladni statisticke vypocty. Hlavnim prinosem prace je rozbor moznosti vyuziti systemu R a Sage ve webove aplikaci a jejich porov- nani z hlediska jednoduchosti integrace, efektivity a prakticke pouzitelnosti.
Příprava stavů pro kvantové strojové učení
Autor
Martin Vidmar
Rok
2025
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Ivo Petr, Ph.D.
Katedra
Anotace
Použitelnost mnohých kvantových algoritmů závisí na možnosti připravit vhodný kvantový stav, na němž bude algoritmus vyhodnocen. Toto platí zejména pro kvantové strojové učení, kde datové sady (které mohou být velké) musí být kvantovému zařízení předány skrz přípravu stavu. Avšak NISQ zařízení (kvantové počítače současné doby) trpí šumem, tudíž kvalita výsledku se značně zhoršuje s počtem hradel. Toto činí exaktní metody přípravy stavu nepoužitelnými pro větší počet qubitů kvůli exponenciální hloubce jejich obvodů. V této práci zkoumáme možnost připravování kvantových stavů aproximativně za účelem snížení vlivu šumu, přičemž se omezujeme na metody, které nepoužívají pomocné qubity. Vyhodnocujeme a porovnáváme tři existující metody přípravy stavu: zaprvé, známou exaktní metodu založenou na uniformně řízených rotacích; zadruhé, navrhnutou aproximativní metodu využívající Schmidtův rozklad; zatřetí, přetvoříme VQE do techniky pro přípravu stavu. Tyto tři metody vyhodnocujeme na simulátorech se šumem. Naše výsledky sestávají ze zevrubné teoretické diskuze těchto algoritmů, velké datové sady výsledků experimentů, a důkladné diskuze těchto výsledků doprovázené mnohými vizualizacemi.
Využití hlubokého učení k modelování pohybu chodců v zúžených prostorách pomocí modelů fyzikálních sil
Autor
Gia Bao Pham
Rok
2026
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
doc. Ing. Pavel Hrabák, Ph.D.
Katedra
Anotace
Modelování toku chodců je klíčové při návrhu budov a infrastrukturních projektů, které musí být uzpůsobeny tak, aby umožnily jejich uživatelům efektivní transport a bezpečnou evakuaci. Tok chodců se typicky simuluje pomocí modelů založených na pravidlech nebo rovnicích, zavedených na základě pozorování a znalostí v doméně. Velký rozvoj hlubokého učení v posledních letech dal vzniknout novým modelům založeným na neuronových sítích. Hlavním cílem této bakalářské práce je vylepšení schopnosti generalizace již navržené architektury, určené k modelování toku chodců. Tato architektura je založená na hybridním konceptu, který modeluje pohyb pomocí pohybové rovnice odvozené ze Social Force Modelu a její jednotlivé síly pomocí hlubokých neuronových sítí. Schopnost generalizace je zlepšena pomocí následujících metod: (i) rozšíření datasetů používaných k trénování a validaci, (ii) zavedení augmentačních technik, (iii) modifikace ztrátové funkce a procesu extrakce příznaků, a (iv) změny v architektuře vyplývající z těchto modifikací. Dále se tato práce zaměřuje na rozšíření kvalitativních a kvantitativních metrik používaných při evaluaci. Získané modely vykazují silnou schopnost generalizace na nových scénářích a dokazují tím, že navržená architektura má silný potenciál.
Kvantové rezervoárové počítání
Autor
Petr Šmerda
Rok
2026
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Ivo Petr, Ph.D.
Katedra
Anotace
Tato bakalářská práce se zaměřuje na kvantové rezervoárové počítání, tedy kvantovou variantu paradigmatu rezervoárového počítání, ve které je kvantový systém použit jako nelineární mapování příznaků pro trénovatelnou výstupní vrstvu. Práce nejprve zavádí potřebné základy predikce časových řad, rezervoárového počítání a kvantového rezervoárového počítání.
Následně představujeme několik experimentů provedených jak na simulátoru, tak na reálném kvantovém hardwaru.
Implementované kvantové rezervoárové modely, s různými strukturami rezervoárů, jsou porovnány s klasickým baseline modelem rezervoárového počítání, konkrétně s echo state network.
Experimentální část vyhodnocuje vliv několika návrhových voleb, mezi které patří počet qubitů v kvantovém rezervoáru, počáteční kvantový stav, délka vstupního okna příznaků a počet měřicích opakování.
Získané výsledky jsou použity k posouzení praktického chování navržených kvantových rezervoárů na vybraných úlohách predikce časových řad.
Výsledky ukazují, že kvantové rezervoárové počítání je experimentálně zajímavý a flexibilní přístup, ale v testovaném nastavení neposkytlo konzistentní praktickou výhodu oproti klasickému rezervoárovému počítání. Nejlepší konfigurace kvantového rezervoáru překonala klasický baseline model na úloze sinusové vlny, avšak na benchmarku Mackey--Glass dosáhla lepších výsledků echo state network. Experimenty také ukazují, že výkonnost QRC silně závisí na architektuře rezervoáru, počátečním stavu, měřených observablích, počtu měřicích opakování a podmínkách kvantového hardwaru.
Normalizace a vyhlazování hodnot RSSI u Bluetooth spojení
Autor
Filip Špaček
Rok
2023
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Magda Friedjungová, Ph.D.
Katedra
Anotace
Tato práce zkoumá účinky normalizace a vyhlazování časových řad RSSI. Implementuje několik různých metod, jako je exponenciální vyhlazování, klouzavý průměr a Savitzky-Golayův algoritmus. Také navrhuje normalizační techniku pro kompenzaci rozdílů mezi hodnotami RSSI pro různé typů paketů. Navržené metody byly testovány na existujícím modelu detekce přístupu a výsledky byly porovnány.
Využití naučené optimalizace pro trénink variačních kvantových algoritmů
Autor
Ondřej Sukdol
Rok
2025
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Ivo Petr, Ph.D.
Katedra
Anotace
Očekává se, že zašuměná kvantová zařízení střední velikosti dokážou brzy řešit
některé problémy nezvládnutelné klasickými pořítači. Hlavní oblastí jejich po-
tenciálního brzkého využití jsou variační kvantové algoritmy. Jde o kombinaci
klasických a kvantových výpočtů, kde se snažíme optimalizovat parametry pro
parametrizovaný kvantový obvod. Při optimalizaci parametrizovaných kvan-
tových obvodů může dojít ke komplikacím specifickým pro kvantová zařízení,
např. k problému pustých plání. V této práci se snažíme s těmito problémy
vypořádat pomocí trénované optimalizace. Tato technika se pokouší o zefek-
tivnění optimalizace tím, že natrénuje optimizer tak, aby se naučil vlastnosti
ztrátové funkce pro daný problém. Experimentujeme zde s optimizery, které
kromě gradientu ztrátové funkce používají k optimalizaci parametrů také in-
formace získané rozkladem na dynamické módy.
Sémantická textová podobnost v češtině
Autor
Jiří Bednář
Rok
2023
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Mgr. Petr Novák, Ph.D.
Katedra
Anotace
Nedávné pokroky v problému sémantické textové podobnosti známé jako STS se uskutečnili především díky dostupnosti velkého množství anglických anotovaných dat, což je luxus, který čeština a další méně rozsáhlé jazyky často postrádají. V této práci se zabýváme výzvami a možnými zlepšeními při řešení problému STS pro češtinu. Zkoumáme pokroky v oblasti neuronových sítí, včetně architektury Transformeru a předtrénovaných jazykových modelů, jako jsou BERT, RoBERTa a ELECTRA. Poskytujeme rozsáhlou studii technik, modelů pro STS, a také metod pro generování embeddingů vět. Dále se zabýváme architekturami Cross-encoder a Bi-encoder spolu s pokročilými metodami trénování, jako jsou SimCSE, TSDAE, Trans-Encoder a vícejazyčná destilace. Představujeme naše STS modely natrénované pomocí těchto technik a vyhodnocujeme je na STS a dvou dalších úlohách. Analyzujeme náš nejlepší STS model, který stanovuje několik state-of-the-art výsledků, což ukazuje potenciál pro budoucí pokrok v oblasti STS pro jazyky s menší dostupností dat.
Analýza teploty povrchu v městských oblastech
Autor
Robin Palán
Rok
2026
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Magda Friedjungová, Ph.D.
Katedra
Anotace
Práce studuje využití metod shhlukování a počet detekovaných překročnení určené horní meze k analýze povrchové teploty (LST) v městských oblastech, konkrétně pro tři vybraná města - Praha, Ostrava a Konstanz. Metody byly aplikovány na podmnožinu snímků ze satelitů Landsat a Ecostress v letních měsících v letech 2018 až 2025. Snímky použité pro analýzu jsou pořízeny za jasného nebo skorojasného počasí. Shlukování pouze teploty nebo s přidáním geografické polohy mění původně spojité teplotní rozdělení na rozdělení diskrétní, čímž kategorizuje jednotlivé části města na teplejší a chladněší. S využitím počtu pozorování překračujících horní mez lze určit části města, které jsou častěji vystaveny výkyvům teploty. Práce také srovnává LST v rámci jednoho města v různých letech i mezi studovanými městy. Studie zvedá výhody použití těchto metod v analýze LST.
Analýza diskusních komentářů na českých zpravodajských serverech
Autor
Martin Vastl
Rok
2019
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Karel Klouda, Ph.D.
Katedra
Anotace
Tato práce je zaměřena na možnosti využití metod pro zpracování přirozeného jazyka k analýze komentářů zpravodajského portálu. Hlavním cílem je srovnání modelů BERT, Doc2vec a Doc2vec s předtrénovanými reprezentacemi slov z BERT ke zkoumání relevance komentářů k obsahu článků z portálu. Dalším cílem je aplikace vektorových reprezentací textu k detekci anomálních příspěvků a anomálního chování uživatelů pomocí metody Local outlier factor.
Provedenými experimenty bylo zjištěno, že nejvyšší úspěšnosti ke zkoumání relevance je dosaženo pomocí modelu BERT, a že předtrénované slovní reprezentace nemají pozitivní vliv na zachycení sémantické informace textu oproti metodě Doc2vec. Metoda Local outlier factor, která je použita pro detekci anomálií, je schopna detekovat anomální komentáře i uživatele při využití vektorů z modelu BERT. Na druhou stranu, Doc2vec je v případě detekce anomálií nevhodný a často vrací nesprávné výsledky.
Sledování a analýza článků v médiích
Autor
Peter Kanoš
Rok
2018
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Mgr. Jan Starý, Ph.D.
Katedra
Anotace
Práca sa zaoberá implementáciou aplikácie pre zbieranie článkov a ich verzií v čase z českých spravodajských serverov iDnes.cz a Aktuality.cz. Následne analýzou týchto článkov vykonanou nástrojom Doc2Vec. Analýza týchto článkov je zameraná najmä na zmeny článkov v čase a porovnávanie podobností medzi ich časťami. Zmeny sa týkali najmä titulkov, perexov článkov a textov daných článkov. Skúmané boli najmä závislosti rôznych faktorov ako sú napríklad čas vydania článku, problematika ktorou sa článok zaoberá a podobne. Výsledkom práce samotnej je aplikácia naprísaná v jazyku Python.
Automatická explorační analýza dat pro binární klasifikaci pomocí knihovny pandas profiling
Autor
Jan Čáp
Rok
2023
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Magda Friedjungová, Ph.D.
Katedra
Anotace
Práce se zabývá automatickou explorací dat s binární klasifikací.
Je provedena rešerše již existujících řešení pro automatickou exploraci dat.
Dále jsou prozkoumány statistické testy a metody vhodné pro testování závislosti dvou proměnných. Jsou zde také prozkoumány vhodné možnosti vizualizací rozložení dat.
V další části je navrženo rozšíření do knihovny \textit{Pandas Profiling}, která byla vybrána v rešerši. Rozšíření se specializuje na binární klasifikaci. Rozšíření obsahuje grafy a statistiky reprezentující závislost sloupců na cílové proměnné, vizualizaci závislostí chybějících hodnot na cílové proměnné, navržené transformace sloupců a trénování výchozího modelu pro~klasifikaci cílové proměnné.
Na základě návrhu bylo implementováno rozšíření knihovny \textit{Pandas Profiling}, které urychlí exploraci dat s binární klasifikací.
Využití hlubokých neuronových sítí pro predikci vazebné síly aptamerů při výběru sekvencí in vitro
Autor
Linda Beková
Rok
2024
Typ
Bakalářská práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Mgr. Petr Šimánek
Katedra
Anotace
Práce se zabývá problémem zpracování SELEX experimentů pomocí hlubokého učení. Součástí práce je užití dopředné neuronové sítě, konvoluční neuronové sítě, obousměrné dlouhé krátkodobé paměti a metody náhodného lesu pomocí programovacího jazyku Python a porovnání jejich schopnosti predikovat výsledky SELEX experimentů. Práce rozšiřuje předchozí výzkum schopnosti vázání aptamérů na protein trombin pomocí Restricted Boltzmann Machines a nabízí více přístupů ke zpracování tohoto problému. Odhady vybraných modelů dosáhly vysoké přesnosti na souboru dat prezentovaném v předchozím výzkumu. Při testování na dodatečně vytvořených datech měly modely potíže s predikcí schopnosti aptamerů se vázat, a proto byly považovány za nedostatečné pro využití v medicíně. Výsledky jednotlivých modelů a přístupů jsou porovnány. Ze všech algoritmů ukázaly nejlepší úspěšnost alogitmy Restricted Boltzmann Machines a následně Random Forests.
Diplomové práce
Analýza Sentimentu s využitím Doménově Specifických Adaptérů
Autor
Lukáš Langr
Rok
2022
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
doc. Ing. Štěpán Starosta, Ph.D.
Katedra
Anotace
Ve zpracování přirozeného jazyka v poslední době dominují velké předtrénované modely vyžadující mnoho výpočetního výkonu na přizpůsobení se konkrétní úloze. V této práci je navržena jiná metoda přenášení znalostí zvaná doménově specifické adaptéry pro úlohu analýzy sentimentu. Adaptované modely jsou porovnány s fine-tune-ovanou baselinou v několika experimentálních scénářích a jejich výkonnost je srovnatelná s mnohem většími modely, ikdyž jsou mnohem méně výpočetně náročné. Tento přístup se jeví být použitelnou alternativou k velkým modelům v prostředích s nízkým výpočetním výkonem.
Hodnocení smluv zveřejňovaných v Registru smluv s ohledem na podezření z korupce
Autor
Jan Staněk
Rok
2018
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Marek Sušický
Katedra
Anotace
Tato diplomová práce se zabývá návrhem metrik sloužících pro nalezení podezřelých smluv zveřejňovaných v registru smluv. Popsány jsou dostupné datové zdroje, kterými je možné data z registru smluv doplnit, integrace dat a výběr příznaků pro detekci anomálií. Vytvořené metriky usnadňují výběr smluv vhodných pro ruční kontrolu.
Vylepšení modelů pro predikci hladiny cukru v krvi
Autor
Ladislav Floriš
Rok
2024
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
doc. Ing. Štěpán Starosta, Ph.D.
Katedra
Anotace
Tato práce adresuje problém predikce hladiny glukózy v krvi u pacientů s diabetem 1. typu. Pro účel predikce byli aplikovány modely založené na Transformer architektuře a Legendre Memory Units (LMU). Aplikace LMU je v této práci taky první použití těchto modelů pro účel predikce hladiny glukózy v krvi. Modely predikovali budoucí hodnoty hladiny glukózy na základě vícerozměrných časových řad na vstupu a byli experimentálně hodnoceny na 30minutovém a 60minutovém predikčním horizontu. Modely byly trénovány a hodnoceny na datasetu OhioT1DM, který obsahuje osm týdnů dat od 12 různých pacientů. Dataset se skládá ze 2 edic, které byly vydány v letech 2018 a 2020.
Přesnost modelů byla hodnocena pomocí Root Mean Square Error (RMSE) a k vyhodnocení klinické přesnosti byla použita Clarke error grid analýza. LMU dosáhly RMSE 18.17 mg/dl pro 30minutový horizont a 30.33 mg/dl pro 60minutový horizont v edici OhioT1DM z roku 2018. V edici z roku 2020 byly RMSE 18.56 mg/dl a 32.57 mg/dl.
Bylo prokázáno, že LMU dosahují, a na menších datasetech (edice OhioT1DM 2018), dokáží i překonat stávající state-of-the-art modely.
Využití testů dobré shody pro trénování generativních adversariálních sítí
Autor
Martin Scheubrein
Rok
2021
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Magda Friedjungová, Ph.D.
Katedra
Anotace
Generativní adversariální sítě (GAN) jsou třídou metod hlubokého učení většinou pracující s~obrázky nebo jinými vysokodimenzionálními daty. U takových dat je pak obtížné rozhodnout, zda se distribuce naučená modelem shoduje s~distribucí zdrojových dat, případně v~jakých místech se liší. K~měření těchto odlišností lze využít míry maximum mean discrepancy (MMD) nebo unnormalized mean embedding (UME).
Tato práce ověřuje, že obě míry při správné parametrizaci spolehlivě detekují globální i lokální odlišnosti distribucí obrazových dat. Detailně jsou zkoumány možnosti výběru kernelu, jeho parametrů, a v případě UME volba testových lokací. Je ověřena interpretovatelnost optimalizovaných testových lokací v~kontextu odhalování lokálních odchylek mezi distribucemi.
V závěru je navržena nová metoda early stoppingu trénování GAN založená na měření MMD a UME mezi výstupy sítě a testovacími daty.
Učicí metody skrytých Markovových modelů se spojitým časem
Autor
Lukáš Lopatovský
Rok
2017
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Tomáš Šabata
Katedra
Anotace
Skrytý Markovův proces se spojitým časem je slibným modelem s využitím nejen pro biomedicínský výzkum. Nedostatek efektivních algoritmů pro jeho učení v minulosti výrazne omezoval jeho použití. Nedávno však byly prezentovány nové efektivní metody založené na EM algoritmu. V této diplomové práci zkoumáme a srovnáváme současné moderní metody, které jsou schopné vycvičit modely obsahující až stovky skrytých stavů. Jako součást práce jsme vyvinuli univerzální knihovnu pro skrytý Markovův proces se spojitým a diskrétním časem, která efektivně implementuje nejslibnější učební metody. Knihovna je snadno použitelná a dostupná všem uživatelům pod licencí open-source.
Rekurentní modely neuronových sítí s pamětí založené na optimální polynomiální projekci
Autor
Ondřej Naňka
Rok
2021
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Karel Klouda, Ph.D.
Katedra
Anotace
Cílem této práce je prozkoumat možnosti praktického využití komprese signálu
projekcí do polynomiálních bází při implementaci rekurentních neuronových
sítí. Praktická část práce se zabývá klasifikací zvukových signálů a zpracováním textu pomocí frameworku Tensorflow a implementací jako "Spiking
Neural Network" pomocí simulátoru NengoDL.
Využití hlubokého učení k modelování pohybu chodců v zúžených prostorách
Autor
Mikuláš Kočí
Rok
2026
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
doc. Ing. Pavel Hrabák, Ph.D.
Katedra
Anotace
Modelování pohybu chodců úzkým hrdlem je klíčové pro bezpečný návrh veřejných prostor.
Tato práce navazuje na nedávný hybridní model, který kombinuje myšlenky ze Social Force modelu se silami odvozenými neuronovou sítí, a navrhuje tři alternativní způsoby vyjádření toho, co síť předpovídá v každém simulačním kroku: skalární potenciál, jehož záporný gradient odpovídá síle, přírůstek rychlosti v dalším kroku, a přírůstek polohy v dalším kroku.
Všech pět variant, dva stávající referenční modely a tři nově navržené, jsou trénovány v rámci jednotného postupu a vyhodnocovány prostřednictvím uzavřených cyklů na třech souborech dat o chodcích z archivu výzkumného centra Jülich, včetně nové trénovací konfigurace kombinující data ze všech souborů, navrženou k testování generalizace na neznámé situace.
Vyhodnocení rozšiřuje standardní chyby posunu o celkovou dobu evakuace a tři metriky z ní odvozené, které odhalují časové nesoulady v simulovaném toku.
Výsledky ukazují jasné rozdělení na základě architektury sítě.
Dvě třívětvé architektury, FusionForceNet a navrhovaný model potenciální energie, generalizují lépe než tři varianty s jedním kmenem, u nichž kombinovaný kmen způsobuje, že se chyby predikce kumulují během dlouhých po sobě jdoucích predikcí.
Jednoduchý faktor vyhlazování rychlosti ve variantě predikce polohy zmírňuje tento efekt u pohybu malých skupin, což naznačuje, že podobné stabilizační mechanismy by mohly vést k lepší generalizaci.
Curriculum Learning of Neural Networks
Autor
Gary Fibiger
Rok
2020
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Magda Friedjungová
Katedra
Anotace
Umělé neuronové sítě se běžně trénují na náhodně seřazených datech. V mnoha směrech je tento přístup podobný učení živých organismů, to však nebývá náhodné. Lidé používají učební plány, podle kterých se jejich učení řídí. V posledních letech bylo navrženo mnoho přístupů, které mají za cíl vylepšit trénování neuronových sítí učebními plány. Tato práce obsahuje přehled těchto přístupů. Některé přístupy byly implementovány a experimentálně vyhodnoceny. Výsledky ukazují, že úspěšnost různých učebních plánů je závislá na mnoha faktorech.
GeoScore framework pro předpovídání socioekonomických ukazatelů v německých obcích
Autor
Jan Čáp
Rok
2026
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Ing. Karel Klouda, Ph.D.
Katedra
Anotace
Tato diplomová práce představuje GeoScore, framework založený na strojovém
učení, určený k predikci socioekonomických ukazatelů obcí v Německu na
základě veřejně dostupných heterogenních datových zdrojů. Tento frame-
work integruje demografické, volební a geoprostorové charakteristiky do jed-
notné, konfiguračně řízené matice charakteristik a trénuje regresní modely
s gradientním boostingem k odhadu cílových ukazatelů, jako je míra neza-
městnanosti. Tvorba charakteristik a trénování modelů se řídí konfiguračními
soubory YAML a všechny experimenty jsou monitorovány pomocí nástroje
MLflow, aby byla zajištěna plná reprodukovatelnost. Výsledky ukazují, že veře-
jně dostupné charakteristiky obcí poskytují významný prediktivní signál pro
socioekonomické výsledky, což přispívá k lepšímu pochopení geoprostorových
socioekonomických rozdílů mezi německými obcemi.
Hluboké posilované učení pro hru Super Mario Bros
Autor
Ondřej Schejbal
Rok
2022
Typ
Diplomová práce
Vedoucí
Ing. Daniel Vašata, Ph.D.
Oponenti
Mgr. Petr Novák, Ph.D.
Katedra
Anotace
V rámci této diplomové práce byl připraven odladěný model posilovaného učení, který je schopný natrénování inteligentního agenta způsobilého hrát hru Super Mario Bros.. Jeho architektura je založena na provedeném průzkumu aktuálních state-of-the-art technik posilovaného učení, kde mezi sebou byly porovnány modely, které jsou pro tento typ úlohy nejvíce relevantní. Pro možnost porovnání modelů byl proveden průzkum a popis nástrojů, které umožňují interakci modelů s hrou. Na základě výsledků porovnání modelů byla vybrána nejvhodnější metoda. Následně byly provedeny experimenty s aplikováním rozmanitých modifikací na vybraný model za účelem najít nejvhodnější úpravy pro hru Super Mario Bros.. Odladěný model byl následně použit k natrénování inteligentního agenta, jehož výkony byly otestovány na úrovni, na které byl natrénován a také na dalších dvou úrovních, které nikdy neviděl. Výkony agenta byly velmi dobré a ukázaly pěkné vzorce chování hlavně na úrovních, na kterých byl natrénován, ačkoliv jeho výkon na neznámých úrovních byl pochopitelně horší.