| Thesis title: |
Strojové učení v oblasti rozpoznávání obrázků: Analýza a porovnání platforem |
| Author: |
Adamovich, Georgy |
| Thesis type: |
Bakalářská práce |
| Supervisor: |
Chudán, David |
| Opponents: |
Švarc, Lukáš |
| Thesis language: |
Česky |
| Abstract: |
Tato bakalářská práce se zabývá schopnostmi a aplikacemi platforem strojového učení zaměřených na úlohy rozpoznávání obrázků. Úvodem jsou představeny základní principy strojového učení, jeho vývoj, hlavní techniky a významná role rozpoznávání obrázků v současných technologiích. Důraz je kladen na tři klíčové platformy – Google Cloud Platform, Microsoft Azure a BigML, které byly vybrané pro jejich odlišné přístupy v aplikaci strojového učení, uživatelskou přívětivost a podporu různých úrovní uživatelů. Experimentální část detailně popisuje výběr datové sady, postup trénování a specifická kritéria hodnocení modelů pro každou platformu, včetně výkonnosti, nákladů a přístupnosti. K hodnocení a srovnání výsledků jednotlivých platforem byla využita Fullerova metoda, která umožňuje strukturovanou analýzu na základě stanovených kritérií. Prostřednictvím srovnání práce odhaluje nuance, které činí jednotlivé platformy vhodnými pro konkrétní typy projektů, od podnikové škálovatelnosti až po jednoduchost ve vzdělávacím kontextu. Výsledky poskytují praktické poznatky pro volbu optimálních platforem pro zpracování vizuálních dat s cílem efektivního nasazení v oblastech, kde je vyžadována přesnost při analýze obrazů, jako je zdravotnictví, bezpečnost a autonomní systémy. |
| Keywords: |
klasifikace obrazu; Google Cloud Platform; Microsoft Azure; Strojové učení; BigML; histogramy orientovaných gradientů; rozpoznávání obrázků |
| Thesis title: |
Machine learning in image recognition: analysis and comparison of platforms |
| Author: |
Adamovich, Georgy |
| Thesis type: |
Bachelor thesis |
| Supervisor: |
Chudán, David |
| Opponents: |
Švarc, Lukáš |
| Thesis language: |
Česky |
| Abstract: |
This bachelor’s thesis examines the capabilities and applications of machine learning platforms focused on image recognition tasks. It begins by introducing the basic principles of machine learning, its development, key techniques, and the significant role of image recognition in current technologies. Emphasis is placed on three key platforms—Google Cloud Platform, Microsoft Azure, and BigML—chosen for their distinct approaches to machine learning application, user-friendliness, and support for different user levels. The experimental section provides a detailed description of dataset selection, training procedures, and specific evaluation criteria for each platform, including performance, cost, and accessibility. The Fuller method was used to evaluate and compare the results of each platform, allowing for structured analysis based on established criteria. Through this comparison, the thesis reveals nuances that make each platform suitable for specific types of projects, from enterprise scalability to educational simplicity. The results offer practical insights for selecting optimal platforms for visual data processing to enable effective deployment in fields requiring precision in image analysis, such as healthcare, security, and autonomous systems. |
| Keywords: |
image recognition; image classification; Google Cloud Platform; Machine learning; histograms of oriented gradients; BigML; Microsoft Azure |
Information about study
| Study programme: |
Aplikovaná informatika/Aplikovaná informatika |
| Type of study programme: |
Bakalářský studijní program |
| Assigned degree: |
Bc. |
| Institutions assigning academic degree: |
Vysoká škola ekonomická v Praze |
| Faculty: |
Faculty of Informatics and Statistics |
| Department: |
Department of Information and Knowledge Engineering |
Information on submission and defense
| Date of assignment: |
15. 11. 2022 |
| Date of submission: |
4. 11. 2024 |
| Date of defense: |
2024 |
Files for download
The files will be available after the defense of the thesis.