Ing. Petr Tichavský, CSc. (external collaborator)
| e-mail: | show e-mail |
| telephone: | +420 266 052 292 |
| www: | http://si.utia.cas.cz/Tichavsky.html |
| institution: | ÚTIA AV ČR, v.v.i. |
| address: | UTIA, Pod vodárenskou věží 4 |
Dynamické programování pro ekonometrii
| advisor: | Ing. Petr Tichavský, DSc. |
| e-mail: | show e-mail |
| type: | bachelor thesis, master thesis |
| branch of study: | MI_MM, MI_AMSM |
| key words: | reinforcement learning, neuronové sítě, tenzorové vláčky, modelování funkcí více proměnných |
| link: | http://si.utia.cas.cz/Tichavsky.html |
| description: | Vývoj algoritmů pro rešení úlohy dynamického programování v ekonometrických problémech o vysoké dimenzi prostrednictvím hlubokých neuronových sítí a tenzorových rozkladu. Porovnání silných a slabých stránek obou přístupu. |
| references: | [1] R.E. Bellman, Dynamic Programming, Princeton University Press, 1957. [2] T.J. Sargent and J. Stachurski, Dynamic Programming Volume 1, QuantEcon, 2023. [3] W.B. Powell, Approximate Dynamic Programming, Solving the Curses of Dimensionality, Wiley, 2011. [4] J. Brumm and S. Scheidegger, “Using Adaptive Sparse Grids to Solve High-Dimensional Dynamic Models,” Econometrica, 85, 1575–1612, 2017. [5] Král, L. and Punčochář, I., “Policy search for active fault diagnosis with partially observable state”. International Journal of Adaptive Control and Signal Processing, 36(9), 2190–2216, 2022. [6] J. Fernandez-Villaverde, G. Nu˜no, G. Sorg-Langhans, and M. Vogle, “Solving High-Dimensional Dynamic Programming Problems using Deep Learning”, preprint https://gsorglanghans.github.io/Personal Website/HighDimensions.pdf [7] W.J. Den Haan, K.L. Judd, and M. Juillard, “Computational suite of models with heterogeneous agents II: Multi-country real business cycle models”, Journal of Economic Dynamics & Control 35 (2011), pp. 175–177. |
| last update: | 25.04.2025 09:01:43 |
Analýza signálu v nedestruktivním testování pomocí slepé separace a umělé inteligence
| advisor: | Ing. Petr Tichavský, DSc. |
| e-mail: | show e-mail |
| type: | phd thesis |
| branch of study: | MI_MM, MI_AMSM |
| key words: | umělá inteligence, neuronové sítě, slepá separace, akustická emise |
| attached file: | 
pdf
|
| description: | Aktuální rozvoj umělé inteligence (AI) a signálové analýzy přináší nové nástroje a možnosti progresu i do oblasti nedestruktivního testování (NDT). Konkrétně signály akustické emise nesoucí informace o složitých materiálových procesech lze vytěžit podstatně obsáhleji, než umožňují doposud aplikované algoritmy založené na standardních parametrech signálů od sledovaných emisních zdrojů. Podobně jako ve směsích akustických signálů analyzovaných metodami slepé separace (BSS) bývají emisní projevy materiálových poruch zahlcené nežádoucími provozními ruchy. Algoritmy používané ve slyšitelné části spektra je možné zobecnit rovněž pro případ ultrazvukových frekvencí a disperzních prostředí jako jsou pevné látky. I zde je efektivní eliminace nežádoucího rušení úlohou pro slepou separaci zdrojů, či umělou inteligenci, inspirovanou lidskou schopností vnímání specifických složek akustického signálu na základě profesní zkušenosti. Cílem práce by bylo srovnání obou přístupů (BSS a AI) na rozsáhlých datech, konkrétně spojitých signálů akustické emise nebo audio záznamech. Aplikovány a rozvíjeny by byly nové modely hlubokého učení, jako např. transformery, vycházející z rekurentních sítí a zavádějící inovativní výpočetní bloky (attention moduly). Dále efektivní metody učení, augmentace tréninkových dat, zajištění dostatečné generalizace, či generování vyhovujících konfigurací sítí na základě statistické optimalizace nebo evolučních algoritmů. |
| references: | [1] Poole, David Lynton, and Alan K. Mackworth. Artificial Intelligence:
Foundations of Computational Agents. 2nd ed, Cambridge university
press, 2017. ISBN 9781107195394
[2] Sergios Theodoridis, Machine Learning (Second Edition), Academic Press, 2020, ISBN 9780128188033 [3] Kevin P. Murphy, Machine Learning - A Probabilistic Perspective, Mit Press Ltd., ISBN: 9780262018029 [4] Gan, G., Chaoqun, M. A., and Wu, J. Data Clustering: Theory Algorithms and Applications. Celeux, Gilles. (2008). [5] Brown, James Ward, and Ruel V. Churchill. Complex Variables and Applications. 6th ed, McGraw-Hill, 1996. ISBN 978-0-07-912147-9. [6] Smith, Steven W. The Scientist and Engineer’s Guide to Digital Signal Processing. 1st ed, California Technical Pub, 1997. ISBN 0966017633 [7] Stevens, Eli, et al. Deep Learning with PyTorch. Manning Publications Co, 2020., ISBN 9781617295263 [8] Quinn, Joanne. Dive into Deep Learning: Tools for Engagement. Corwin, 2020. ISBN 9781544361376 |
| note: | školitel specialista: Ing. Milan Chlada, Ph.D. (chlada@it.cas.cz) |
| last update: | 11.04.2022 18:34:08 |
V3S Database
The application records results of science and research, and other academic activities. The V3S application serves as a tool for submitting data to the RIV database, exporting data for statistic analyses, and internal evaluation of research.
List of publications in V3S
administrator for this page:
Radek Fučík | last update: 08/07/2011