Search results
- 1.0565500 - ÚI 2023 RIV CZ eng L4 - Software
Coufal, David - Hakl, František - Vidnerová, Petra
General-purpose Library of ML/AI Methods for CUDA Cores.
Internal code: TN01000024/03-V009 ; 2022
Technical parameters: Refaktorovaný kód je poskytnut ve formě MATLAB MEX souborů. Ke spuštění vyžaduje MATLAB. Použití se řídí příslušnými licenčními podmínkami Akademické licence MATLABu.
Economic parameters: Refaktorizace Python + TensorFlow kódu do nativního CUDA kódu pomocí MATLAB GPU Coderu. Urychlení inference implementace neuronových sítí.
R&D Projects: GA TA ČR(CZ) TN01000024
Institutional support: RVO:67985807
Keywords : deep neural networks * generative adverisal networks * conditional generation * generative algorithms * MATLAB GPU Coder * CUDA cores * hluboké neuronové sítě * generativní adversiální sítě * generativní algoritmy
OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/PetraVidnerova/nck_matlab
Permanent Link: https://hdl.handle.net/11104/0337034
Research data: Github.com - 2.0565499 - ÚI 2023 RIV CZ eng L4 - Software
Coufal, David - Hakl, František - Vidnerová, Petra
General-purpose Library of ML/AI Methods.
Internal code: TN01000024/03-V005 ; 2022
Technical parameters: 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.
Economic parameters: 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.
R&D Projects: GA TA ČR(CZ) TN01000024
Institutional support: RVO:67985807
Keywords : 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
OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/PetraVidnerova/nck_python
Permanent Link: https://hdl.handle.net/11104/0337029
Research data: Github.com - 3.0554160 - ÚI 2022 eng L4 - Software
Diviák, T. - Neruda, Roman - Suchopárová, Gabriela - Šlerka, J. - Šmíd, M. - Vidnerová, Petra
Epicity Pokusný testovací záznam.
Internal code: Epicity ; 2021
R&D Projects: GA TA ČR(CZ) TL04000282
Institutional support: RVO:67985807 ; RVO:67985556 ; RVO:67985998
OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/epicity-cz/model-m/releases/tag/v1.0
Permanent Link: http://hdl.handle.net/11104/0329209
Research data: Github, Externí úložiště UI (nelze zpřístupnit volně; v případě zájmu kontaktujte Oddělení transferu technologií UI - email@mailnatransfer.cz . /// The file is stored at ICS CAS internal storage and it it can not be freely accessible. If you are interested, please contact the ICS CAS Transfer department, e-mail... ... ... . - 4.0548125 - 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.
Internal code: Epicity ; 2021
Technical parameters: 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.
Economic parameters: 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.
R&D Projects: GA TA ČR(CZ) TL04000282
Institutional support: RVO:67985807 ; RVO:67985556 ; RVO:67985998
Keywords : epidemic modelling * agent based models * non-pharmaceutical interventions simulation
OECD category: 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
Permanent Link: http://hdl.handle.net/11104/0324239 - 5.0535816 - ÚI 2021 RIV CZ eng L4 - Software
Coufal, David - Hakl, František - Vidnerová, Petra
General-purpose algorithms for machine learning.
Internal code: TN01000024/03-V001 ; 2020
Technical parameters: Program spustitelný z příkazové řádky, vyžaduje Python a běžné dostupné výpočetní knihovny. Úlohu lze definovat v textovém souboru ve formátu YAML. Vzhledem k výpočetní náročnosti doporučeno využití GPU nebo výpočetního clusteru s více CPU.
Economic parameters: 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.
R&D Projects: GA TA ČR(CZ) TN01000024
Institutional support: RVO:67985807
Keywords : 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
OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/PetraVidnerova/NCK_interim
Permanent Link: http://hdl.handle.net/11104/0313744 - 6.0532166 - ÚI 2021 RIV CZ eng L4 - Software
Kalina, Jan - Vidnerová, Petra - Peštová, Barbora
Metalearning for robust regression 1.0.
Internal code: Metalearning 1.0 ; 2020
Technical parameters: 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.
Economic parameters: 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.
R&D Projects: GA ČR(CZ) GA19-05704S; GA ČR(CZ) GA18-23827S
Institutional support: RVO:67985807
Keywords : Lineární regrese * robustnost * optimální volba metody * odlehlá pozorování * Linear regression * robustness * optimal method selection * outliers
OECD category: 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
Permanent Link: http://hdl.handle.net/11104/0310756
Research data: Github.com - 7.0518369 - ÚI 2020 RIV CZ eng L4 - Software
Jurica, Tomáš - Vidnerová, Petra - Kalina, Jan
Robust interquantile training of neural networks.
Internal code: Quantile 1.0 ; 2019
Technical parameters: Kód v Pythonu je samostatně spustitelný, vyžaduje instalaci TensorFlow, Keras, SciPy, NumPy, scikit-learn. Spuštění kódu je přímočaré podle dokumentace. Dostupné pod licencí MIT.
Economic parameters: Software umožňuje uživateli provést alternativní trénování neuronových sítí, které je robustní vůči odlehlým hodnotám. Jde dosud o první takovou implementaci, která je dostupná. Software výrazně usnadňuje práci s neuronovými sítěmi, protože provádět jejich trénování nezávisle na přítomnosti odlehlých hodnot by jinak vyžadovalo značně komplikované a zdlouhavé postupy.
R&D Projects: GA ČR(CZ) GA19-05704S; GA TA ČR(CZ) TN01000024
Institutional support: RVO:67985807
Keywords : neural network * regression * robustness * outliers
OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/jankalinaUI/Quantile
Permanent Link: http://hdl.handle.net/11104/0303525
Research data: Github.com - 8.0505494 - ÚI 2020 RIV CZ eng L4 - Software
Vidnerová, Petra
RBF-Keras: an RBF Layer for Keras Library.
Internal code: RBF-Keras ; 2019
Technical parameters: 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.
Economic parameters: 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.
R&D Projects: GA ČR(CZ) GA18-23827S
Institutional support: RVO:67985807
Keywords : neuronová síť typu RBF * hluboké neuronové sítě * RBF network * deep neural networks * Keras
OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/PetraVidnerova/rbf_keras
Permanent Link: http://hdl.handle.net/11104/0296977