Using deep learning techniques for efficient data extraction and blocking data extraction on the Internet

Bogdan Vyzhlov

Bachelor's thesis

Využití technik hlubokého učení pro efektivní extrakci dat a blokování extrakce dat na internetu

Abstract:

Vyzhlov, Bogdan. Využití technik hlubokého učení pro efektivní extrakci dat a blo- kování extrakce dat na internetu. Brno: Mendelova univerzita v Brně, 2024. V této práci navrhujeme a implementujeme dvouúčelový systém využívající techniky hlubokého učení, jehož cílem je zlepšit efektivitu vytěžování dat z webu a zároveň zabránit neoprávněnému vytěžování dat. Systém využívá dva modely: jeden je určen k ověřování relevantních obrázků a druhý k blokování potenciálních úniků obrázků rozpoznáním neoprávněného vytěžování. Web, implementovaný po- mocí Vue.js a Flask, slouží jako platforma pro demonstraci schopností těchto mod- elů, integrovaných prostřednictvím rozhraní API pro interaktivitu a přístupnost. Projekt využívá PyTorch pro vývoj neuronových sítí a Google Colab pro trénování modelů s cílem využít výkonné výpočetní zdroje a nejmodernější nástroje strojo- vého učení. Modely byly testovány a ověřeny za účelem vyhodnocení jejich funkčnosti a účinnosti v reálných podmínkách, což potvrzuje jejich vhodnost pro použití v úlohách ochrany dat

Abstract:

Vyzhlov, Bogdan. Using deep learning techniques for efficient data extraction and blocking data extraction on the Internet. Bachelor thesis. Brno: Mendel University, 2024. In this thesis, we design and implement a dual-purpose system using deep learning techniques aimed at improving the efficiency of data mining from the Web as well as preventing unauthorized data mining. The system uses two models: one designed to verify relevant images and the other to block potential image leaks by recognizing unauthorized extraction. The site, implemented using Vue.js and Flask, serves as a platform to demonstrate the capabilities of these models, integrated through APIs for interactivity and accessibility. The project utilizes PyTorch for neu- ral network development and Google Colab for model training to leverage powerful computational resources and state-of-the-art machine learning tools. The models have been tested and validated to evaluate their functionality and effectiveness in real-world conditions, which confirms their suitability for use in data protection tasks.

Keywords

PyTorch, Flask, Vue.js, Vuetify 3, Google Vision, Google Colab, Python

Keywords

Python, Google Colab, Flask, Vue.js, Vuetify 3, Google Vision, PyTorch

Language used: English

Date on which the thesis was submitted / produced: 7. 6. 2024

Thesis defence

• Date of defence: 19. 6. 2024
• Supervisor: doc. Ing. Oldřich Trenz, Ph.D.
• Reader: Miroslav Jaroš, Ing.

Mendel University in Brno

Faculty of Business and Economics

Bachelor programme / field:
Engineering Informatics / Automation Control and Informatics