Název:
Optimalizace strojového učení pro predikci KPI
Překlad názvu:
Machine Learning Optimization of KPI Prediction
Autoři:
Haris, Daniel ; Burget, Radek (oponent) ; Bartík, Vladimír (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2018
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze][eng]
Cieľom tejto práce je optimalizácia strojového učenia pre predikciu KPI metrík pre jednu organizáciu. Organizácia predpovedá oneskorenie termínov ukončenia poslednej fázy projektov v procese vývoja pomocou strojového učenia. Práca sa zameriava na analýzu predikčných modelov a stanoví si za cieľ vybrať nové kandidátne modely na predikciu. V rámci práce sme implementovali systém, ktorý automaticky vyberie najlepšie rysy pre učenie. Naučené modely sme vyhodnotili pomocou rôznych výkonnostných metrík a vybrali najlepšie kandidátne modely. Kandidátne modely majú vyššiu presnosť predpovede, čo pre organizáciu znamená, že sa zvýšila dôveryschopnosť predpovede oneskorenia. V závere práce sme navrhli ďalšie vylepšenia, ktoré by mohli zvýšiť presnosť predpovede.
This thesis aims to optimize the machine learning algorithms for predicting KPI metrics for an organization. The organization is predicting whether projects meet planned deadlines of the last phase of development process using machine learning. The work focuses on the analysis of prediction models and sets the goal of selecting new candidate models for the prediction system. We have implemented a system that automatically selects the best feature variables for learning. Trained models were evaluated by several performance metrics and the best candidates were chosen for the prediction. Candidate models achieved higher accuracy, which means, that the prediction system provides more reliable responses. We suggested other improvements that could increase the accuracy of the forecast.
Klíčová slova:
boosting; klasifikácia; KPI; krížová validácia; naive bayes; neurónové siete; NPI; náhodný les; predikcia; predspracovanie; ROC; rozhodovací strom; strojové učenie; support vector machines; výkonnostné metriky; vývoj softvéru; boosting; classification; cross-validation; decision tree; ensemble; KPI; machine learning; naive bayes; neural networks; NPI; performance metrics; prediction; preprocessing; random forest; ROC; software development; support vector machines
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/84905