Proces strojového učení pro spektroskopická data

Abstract

Data ze spektroskopických senzorů často vyžadují zpracování specifické pro daný problém. Cílem této práce je navrhnout framework strojového učení pro analýzu spektroskopických dat. Práce představuje běžné metody zpracování spektroskopických dat a kombinuje je do tzv. pipelines. Framework je navržen s důrazem na jednoduchost a expresivitu. Na závěr je framework testován na praktickém zadání, které je úspěšně splněno. Navržený framework má potenciál pro budoucí využití.

Data from spectroscopic sensors often require problem-specific methods of processing. This thesis aims to design a machine learning framework for the analysis of spectroscopic data. Common spectroscopic data processing methods are introduced and combined into so-called pipelines. The framework is designed with a focus on simplicity and expressivity. It is then successfully tested on a practical problem and the framework does have a potential for future use.