Výsledky vyhledávání

0565499 - ÚI 2023 RIV CZ eng L4 - Software
Coufal, David - Hakl, František - Vidnerová, Petra
General-purpose Library of ML/AI Methods.
Interní kód: TN01000024/03-V005 ; 2022
Technické parametry: Kolekce programů a skriptů spustitelných z příkazové řádky, vyžaduje Python a běžně dostupné výpočetní knihovny. Zadání se definuje v textovém souboru, typicky ve formátu YAML. Vzhledem k výpočetní náročnosti doporučeno využití GPU nebo výpočetního clusteru s více CPU.
Ekonomické parametry: Knihovna obsahuje dvě části. Skripty věnované rozšiřování datové základny pro učení navigace robota (GANs) a část zabývající se hledáním optimální architektury neuronových sítí (AnANAS). Rozšiřování datové základny je prováděno pomocí generativních neuronových sítí. Jsou implementovány architektury DCGAN a LSGAN v nepodmíněné i podmíněné verzi. Kvalita učení je monitorována pomocí FID skóre. AnANAS část je určena pro experimenty s hledáním optimální architektury hluboké neuronové sítě, jak s plně propojenými vrstvami tak sítě konvoluční. Umožňuje více-kriteriální optimalizaci, nabízí tři verze více-kriteriální optimalizace (NSGA, NSGA-II, NSGA-III) a implementaci základního standardního genetického algoritmu. Umožňuje paralelní výpočet na GPU nebo s využitím několika CPU.
Grant CEP: GA TA ČR(CZ) TN01000024
Institucionální podpora: RVO:67985807
Klíčová slova: deep neural networks * generative adverisal networks * conditional generation * generative algorithms * neural architecture search * model selection * evolutionary algorithms * multiobjective optimisation * hluboké neuronové sítě * generativní adversiální sítě * generativní algoritmy * hledání architektury neuronové sítě * evoluční algoritmy * vícekriteriální optimalizace
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/PetraVidnerova/nck_python
Trvalý link: https://hdl.handle.net/11104/0337029

0548125 - ÚI 2022 RIV CZ eng L4 - Software
Berec, Luděk - Diviák, T. - Kuběna, Aleš Antonín - Levínský, René - Neruda, Roman - Suchopárová, Gabriela - Šlerka, J. - Šmíd, Martin - Trnka, Jan - Tuček, Vít - Vidnerová, Petra - Vrbenský, Karel - Zajíček, Milan - Zapletal, František
Epicity.
Interní kód: Epicity ; 2021
Technické parametry: The program requires a Linux machine with python 3, and it runs from command line interface. Configuration files for typical tasks are included and can be modified for user’s needs. Full instructions and examples can be found in the README file.
Ekonomické parametry: Model M is an agent-based epidemic model for COVID-19 computational experiments on realistic multi-graph social networks. It allows to simulate projections of main epidemic indicators with respect to various interventions. These include lock-downs, closures of different contact layers (leisure, schools, etc.), social distancing, testing and quarantine, contact tracing, and vaccination. The level of configurable parameters, including custom contact graphs, is a unique feature of this tool. Available under GNU General Public License v3.0.
Grant CEP: GA TA ČR(CZ) TL04000282
Institucionální podpora: RVO:67985807 ; RVO:67985556 ; RVO:67985998
Klíčová slova: epidemic modelling * agent based models * non-pharmaceutical interventions simulation
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8); Sociology (NHU-N); Public administration (NHU-N); Urban studies (planning and development) (NHU-N); Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) (UTIA-B)
https://github.com/epicity-cz/model-m/releases/tag/v1.0
Trvalý link: http://hdl.handle.net/11104/0324239

0532166 - ÚI 2021 RIV CZ eng L4 - Software
Kalina, Jan - Vidnerová, Petra - Peštová, Barbora
Metalearning for robust regression 1.0.
Interní kód: Metalearning 1.0 ; 2020
Technické parametry: Kód v softwaru R je samostatně spustitelný podle dokumentace. Je třeba soubory spouštět v tomto pořadí: ReadingData.R, Primary.R, Features.R, Secondary.R. Alternativní postupy k metodám souboru Secondary.R jsou obsaženy v souborech RandomForest.R nebo Regression.R. Alternativní validace (jako náhražka křížové validace) je obsažena v souboru Autovalidation.R. Dostupné pod licencí MIT.
Ekonomické parametry: Software představuje dosud jedinečný nástroj pro využití dostupných trénovacích souborů pro nalezení vhodné regresní metody pro nový datový soubor. Software tak výrazně zjednodušuje práci v oblasti selekce optimální metody (metaučení), protože kódy nejsou jinak obsaženy v žádném dostupném softwaru.
Grant CEP: GA ČR(CZ) GA19-05704S; GA ČR(CZ) GA18-23827S
Institucionální podpora: RVO:67985807
Klíčová slova: Lineární regrese * robustnost * optimální volba metody * odlehlá pozorování * Linear regression * robustness * optimal method selection * outliers
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/jankalinaUI/Metalearning-for-robust-regression
Trvalý link: http://hdl.handle.net/11104/0310756

0505494 - ÚI 2020 RIV CZ eng L4 - Software
Vidnerová, Petra
RBF-Keras: an RBF Layer for Keras Library.
Interní kód: RBF-Keras ; 2019
Technické parametry: Uživatel potřebuje nainstalovanou knihovnu Keras (http://keras.io) a poté je možné vytvářet modely neuronových sítí způsobem obvyklým v této knihovně včetně použití naší RBF vrstvy. Pro nastavení středů si lze vybrat s připravených inicializátorů (náhodný výběr z tréninkové množiny nebo použití KMeans shlukování), případně uživatel může použít vlastní inicializátor.
Ekonomické parametry: RBF-Keras obsahuje implementaci třídy RBFLayer, která je určena k implementaci RBF sítí a hlubokých sítí obsahujících RBF vrstvu v knihovně Keras. Jedná se o rozšíření knihovny Keras, která samotná RBF vrstvu neobsahuje. RBF-Keras usnadňuje realizaci experimentů s modely RBF sítí nebo hlubokých sítí s RBF vrstvou a umožňuje aplikaci těchto modelů.
Grant CEP: GA ČR(CZ) GA18-23827S
Institucionální podpora: RVO:67985807
Klíčová slova: neuronová síť typu RBF * hluboké neuronové sítě * RBF network * deep neural networks * Keras
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/PetraVidnerova/rbf_keras
Trvalý link: http://hdl.handle.net/11104/0296977