Dolovanie znalostí z textových dát použitím metód umelej inteligencie

Simple item page
but.committeeprof. Ing. Zdeněk Smékal, CSc. (předseda) prof. Ing. Ivan Baroňák, CSc. (člen) prof. Ing. Boris Šimák, CSc. (člen) prof. Ing. Miroslav Vozňák, Ph.D. (člen) doc. Ing. Kamil Říha, Ph.D. (člen) Ing. Jiří Mekyska, Ph.D. (člen) Univ. Prof. Dr. Peter Brezany - oponent (člen) prof. Ing. Jana Tučková, CSc. - oponent (člen)cs
but.defenceOba oponenti doporučují práci k obhajobě. Cíle disertační práce byly splněny, za získanými výsledky se skrývá velmi mnoho experimentální práce. Hlavní části práce byly publikovány v prestižních zahraničních časopisech. Disertant odpověděl správně na všechny otázky členů komise.cs
but.jazykslovenština (Slovak)
but.programElektrotechnika a komunikační technologiecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorBurget, Radimsk
dc.contributor.authorPovoda, Lukášsk
dc.contributor.refereeTučková,, Janask
dc.contributor.refereeBrezany, Petersk
dc.date.accessioned2019-06-14T11:03:22Z
dc.date.available2019-06-14T11:03:22Z
dc.date.created2018cs
dc.description.abstractPráca sa zaoberá problémom dolovania znalostí z textových dát, ktorý je stále aktuálnejší vzhľadom na exponenciálny rast množstva uložených dát v elektronickej podobe, kde 80% týchto dát je v textovej podobe. Práca skúma súčasné metódy, ich možné zvýšenie presnosti vďaka optimalizačným metódam, ako aj nové metódy riešenia problému porozumenia textu s modelovaním kognitívneho správanie človeka pri spracovaní textových dát. Problém súčasných metód, ktorým je závislosť na konkrétnom jazyku textu, ako aj ich presnosť, ktorá nedosahuje úspešnosti človeka, rieši prostredníctvom troch smerov: tradičnými metódami a ich optimalizáciami, prístupom Big Data a abstrahovaním prostredníctvom minimalizácie jazykovo závislých častí, a prístupom hlbokého učenia. Hlavným cieľom dizertačnej práce bolo navrhnúť metódu pre strojové porozumenie neštruktúrovaným textovým dátam. Metóda bola experimentálne overená na probléme extrakcie jednoduchých informácií prostredníctvom klasifikácie textových dát v 5 jazykoch – čeština, angličtina, nemčina, španielčina a čínština, čím bola dokázaná možnosť aplikácie na rôzne rodiny jazykov. Pri validácií na databáze hodnotení Yelp bola dosiahnutá presnosť vyššia o 0,5% než poskytujú súčasné metódy.sk
dc.description.abstractThis work deals with the problem of text mining which is becoming more popular due to exponential growth of the data in electronic form. The work explores contemporary methods and their improvement using optimization methods, as well as the problem of text data understanding in general. The work addresses the problem in three ways: using traditional methods and their optimizations, using Big Data in train phase and abstraction through the minimization of language-dependent parts, and introduction of the new method based on the deep learning which is closer to how human reads and understands text data. The main aim of the dissertation was to propose a method for machine understanding of unstructured text data. The method was experimentally verified by classification of text data on 5 different languages – Czech, English, German, Spanish and Chinese. This demonstrates possible application to different languages families. Validation on the Yelp evaluation database achieve accuracy higher by 0.5% than current methods.en
dc.description.markPcs
dc.identifier.citationPOVODA, L. Dolovanie znalostí z textových dát použitím metód umelej inteligencie [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.cs
dc.identifier.other113382cs
dc.identifier.urihttp://hdl.handle.net/11012/137278
dc.language.isoskcs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectAnalýza sentimentusk
dc.subjectdolovanie znalostísk
dc.subjecthlboké učeniesk
dc.subjectklasifikácia emóciísk
dc.subjectklasifikácia textusk
dc.subjectoptimalizácia genetickým programovanímsk
dc.subjectspracovanie prirodzeného jazykask
dc.subjecttextové dátask
dc.subjectumelá inteligenciask
dc.subjectArtificial intelligenceen
dc.subjectdata miningen
dc.subjectemotion classificationen
dc.subjectgenetic programming optimizationen
dc.subjectnatural language processingen
dc.subjectsentiment analysisen
dc.subjecttext dataen
dc.subjecttext miningen
dc.titleDolovanie znalostí z textových dát použitím metód umelej inteligenciesk
dc.title.alternativeText Mining Based on Artificial Intelligence Methodsen
dc.typeTextcs
dc.type.driverdoctoralThesisen
dc.type.evskpdizertační prácecs
dcterms.dateAccepted2018-12-14cs
dcterms.modified2019-01-04-12:35:04cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid113382en
sync.item.dbtypeZPen
sync.item.insts2021.11.22 23:18:12en
sync.item.modts2021.11.22 22:29:15en
thesis.disciplineTeleinformatikacs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelDoktorskýcs
thesis.namePh.D.cs
Files
Original bundle
Now showing 1 - 5 of 5
Thumbnail Image
Name:
final-thesis.pdf
Size:
2.41 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
thesis-1.pdf
Size:
835.14 KB
Format:
Adobe Portable Document Format
Description:
thesis-1.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-oponentsky posudek prof. Tuckova_ DP_Povoda.pdf
Size:
231.06 KB
Format:
Adobe Portable Document Format
Description:
Posudek-Oponent prace-oponentsky posudek prof. Tuckova_ DP_Povoda.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-oponentsky posudek prof. Brezany_ DP_Povoda.pdf
Size:
1.73 MB
Format:
Adobe Portable Document Format
Description:
Posudek-Oponent prace-oponentsky posudek prof. Brezany_ DP_Povoda.pdf
Download
Thumbnail Image
Name:
review_113382.html
Size:
2.44 KB
Format:
Hypertext Markup Language
Description:
review_113382.html
Download
Collections
2018