but.committee	doc. Ing. František Zbořil, CSc. (předseda) doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda) Ing. Michal Hradiš, Ph.D. (člen) Dr. Ing. Petr Peringer (člen) Ing. Jaroslav Rozman, Ph.D. (člen) Ing. Aleš Smrčka, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Jak si vysvětlujete dobrou kvalitu řešení postavených na uint8? Jak si vysvětluje, že nejlepší nalezené řešení obsahuje pouze 4 operace (2 MAX, 1 MIN a 1 sčítání)? Není to jednoduchá aproximace "průměrování"? Je vaše datová sada veřejná? Pokud ne, lze nějak dokázat, že opravdu dostáváte dobré výsledky? Ověřoval jste vaše řešení i jiným přístupem? Jak jste pracoval s vaší datovou sadou? Jak je rozsáhlá? Jak funguje sčítání nad datovým typem uint_8?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie a umělá inteligence	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Drahošová, Michaela	cs
dc.contributor.author	Hurta, Martin	cs
dc.contributor.referee	Sekanina, Lukáš	cs
dc.date.created	2021	cs
dc.description.abstract	Cílem této práce je automatizovaný návrh programu pro detekci projevů dyskineze z pohybových dat pacientů. K návrhu programu je využito kartézské genetické programování, které bylo z důvodu urychlení procesu návrhu doplněno o koevoluci prediktorů fitness s proměnlivou velikostí, která umožňuje vyhodnocení kvality kandidátních řešení na pouhé části trénovacích dat. Vzniklé řešení dosahuje srovnatelné schopnosti rozlišení mezi třídami (AUC) s existujícím řešením při dosažení v průměru trojnásobného zrychlení procesu návrhu oproti variantě bez prediktorů fitness. Experimenty s metodami křížení prediktorů neukázaly významný rozdíl mezi zvolenými metodami. Zajímavých výsledků však bylo dosaženo při experimentech s celočíselnými datovými typy vhodnými pro implementaci v hardwaru, kdy u datového typu o osmi bitech bez znaménka (uint8_t) bylo dosaženo nejenom srovnatelné schopnosti rozlišení mezi třídami (pro významné projevy dyskineze AUC = 0,93 shodně jako pro existující řešení) a zlepšení rozlišovací schopností u chodících pacientů (AUC = 0,80 oproti AUC = 0,73 u existujícího řešení), ale navíc v průměru téměř devítinásobného zrychlení návrhu oproti variantě bez prediktorů fitness využívající datový typ float.	cs
dc.description.abstract	The aim of this work is to automatically design a program that is able to detect dyskinetic movement features in the measured patient's movement data. The program will be developed using Cartesian genetic programming equipped with coevolution of fitness predictors. This type of coevolution allows to speed up a design performed by Cartesian genetic programming by evaluating a quality of candidate solutions using only a part of training data. Evolved classifier achieves a performance (in terms of AUC) that is comparable with the existing solution while achieving threefold acceleration of the learning process compared to the variant without the fitness predictors, in average. Experiments with crossover methods for fitness predictors haven't shown a significant difference between investigated methods. However, interesting results were obtained while investigating integer data types that are more suitable for implementation in hardware. Using an unsigned eight-bit data type (uint8_t) we've achieved not only comparable classification performance (for significant dyskinesia AUC = 0.93 the same as for the existing solutions), with improved AUC for walking patient's data (AUC = 0.80, while existing solutions AUC = 0.73), but also nine times speedup of the design process compared to the approach without fitness predictors employing the float data type, in average.	en
dc.description.mark	A	cs
dc.identifier.citation	HURTA, M. Koevoluční algoritmy a klasifikace [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.	cs
dc.identifier.other	136777	cs
dc.identifier.uri	http://hdl.handle.net/11012/200153
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	strojové učení	cs
dc.subject	klasifikace	cs
dc.subject	evoluční algoritmy	cs
dc.subject	genetické algoritmy	cs
dc.subject	genetické programování	cs
dc.subject	kartézské genetické programování	cs
dc.subject	koevoluční algoritmy	cs
dc.subject	prediktor s proměnlivou velikostí	cs
dc.subject	dyskineze	cs
dc.subject	machine learning	en
dc.subject	classification	en
dc.subject	evolutionary algorithm	en
dc.subject	genetic algorithm	en
dc.subject	genetic programming	en
dc.subject	cartesian genetic programming	en
dc.subject	coevolutionary algorithm	en
dc.subject	adaptive fitness predictor	en
dc.subject	dyskinesia	en
dc.title	Koevoluční algoritmy a klasifikace	cs
dc.title.alternative	Coevolutionary Algorithms and Classification	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2021-06-22	cs
dcterms.modified	2021-06-24-11:34:53	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	136777	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:33:23	en
sync.item.modts	2025.01.15 15:56:18	en
thesis.discipline	Inteligentní systémy	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Koevoluční algoritmy a klasifikace

Files

Original bundle

Collections