This work seeks to use machine learning to reduce the risks associated with psychedelic substance use. It addresses the problem using several classification models that predict the nature of the psychedelic experience.
The theoretical part formulates the background of psychedelic experiences, different types of substances and their uses. The influence of mind-set and environment on the course of the experience is described and the possibilities of quantifying different aspects of the experience are presented. Furthermore, various machine learning algorithms, the creation of prediction models and the optimization of their initial configuration are explored.
The practical part of the thesis describes the necessary data modifications, formulates the classification task and identifies the predicted variables. Then, an evolutionary algorithm addressing parameter optimization is implemented, a method for attribute selection is described, and five different prediction models are introduced. The paper then evaluates and compares their performance.
The obtained results are analyzed from different perspectives. The observed advantages and disadvantages of the implementation of the evolutionary algorithm are presented. The thesis evaluates the achievement of the set goals and presents possibilities for the application of the models in practice. It also indicates areas for further improvement and potential development.
Tato práce hledá možnosti využití strojového učení ke snížení rizik spojených s užíváním psychedelických látek. Problém řeší pomocí několika klasifikačních modelů, které predikují charakter psychedelické zkušenosti.
V teoretické části jsou formulována východiska pro psychedelické zážitky, různé typy látek a jejich využití. Je popsán vliv myšlenkového nastavení a prostředí na průběh zkušenosti a jsou představeny možnosti kvantifikace různých jejích aspektů. Dále jsou zkoumány různé algoritmy strojového učení, tvorba predikčních modelů a optimalizace jejich počáteční konfigurace.
Praktická část práce popisuje nutné úpravy dat, formuluje klasifikační úlohu a identifikuje předpovídané proměnné. Poté je implementován evoluční algoritmus řešící optimalizaci parametrů, popsán způsob výběru atributů a představeno pět různých predikčních modelů. Práce následně vyhodnocuje a srovnává jejich výkonnost.
Získané výsledky jsou analyzovány z různých pohledů. Jsou uvedeny zjištěné výhody a nevýhody implementace evolučního algoritmu. Práce hodnotí naplnění stanovených cílů a představuje možnosti využití modelů v praxi. Taktéž ukazuje, kde je prostor pro další zlepšení a případný rozvoj.