|
|
Řešení nezaměstnanosti mladých lidí prostřednictvím užšího propojení jejich profesní přípravy s požadavky trhu práce
Steindlberger, Martin ; Kotrusová, Miriam (vedoucí práce) ; Hiekischová, Michaela (oponent)
Diplomová práce se zabývá vztahem mezi profesní přípravou mladých lidí a požadavky trhu práce. Je zaměřena na středoškolské odborné vzdělávání. Problém, který zkoumá je nedostatečná připravenost absolventů škola na přechod na volný trh práce. Aby bylo možné tento stav zlepšit, je nutné se pokusit sladit obsah a výstupy profesní přípravy s potřebami trhu práce. V případě, že jsou absolventi nedostatečně připraveni na potřeby zaměstnavatelů, můžou se tito absolventi stát nezaměstnanými. Problém je o to horší, čím je doba nezaměstnanosti delší. Cílem této diplomové práce je zjistit a popsat, kteří aktéři se na profesní přípravě podílejí a jak probíhá jejich vzájemná spolupráce. Dále se pokusí zjistit, jaké jsou silné a slabé stránky této spolupráce. Pokusí se také zjistit, jakým způsobem přizpůsobování profesní přípravy mladých lidí potřebám trhu práce probíhá. Práce je případovou studií zaměřenou na Jihočeský kraj, ten je krátce představen formou vybraných ukazatelů charakterizujících vybraný region. Pro získání potřebných dat jsou využita data a údaje z již provedených výzkumů a zároveň informace od vybraných aktérů podílejících se na řešení zvolené problematiky.
|
|
|
Předpovídání trendů akciového trhu z novinových článků
Serebryannikova, Anastasia ; Kuboň, Vladislav (vedoucí práce) ; Vidová Hladká, Barbora (oponent)
In this work we made an attempt to predict the upwards/downwards movement of the S&P 500 index from the news articles published by Bloomberg and Reuters. We employed the SVM classifier and conducted multiple experiments aiming at understanding the shape of the data and the specifics of the task better. As a result, we established the common evaluation settings for all our subsequent experiments. After that we tried incorporating various features into the model and also replicated several approaches previously suggested in the literature. We were able to identify some non-trivial dependencies in the data which helped us achieve a high accuracy on the development set. However, none of the models that we built showed comparable performance on the test set. We have come to the conclusion that whereas some trends or patterns can be identified in a particular dataset, such findings are usually barely transferable to other data. The experiments that we conducted support the idea that the stock market is changing at random and a high quality of prediction may only be achieved on particular sets of data and under very special settings, but not for the task of stock market prediction in general. 1
|
|
|
Artificial neural networks for macroeconomic data analysis
Padrón Peňa, Ildefonso ; Mrázová, Iveta (vedoucí práce) ; Kuboň, David (oponent)
The analysis and prediction of macroeconomic time-series is a factor of great interest to national policymakers. However, economic analysis and forecast- ing are not simple tasks due to the lack of a precise model for the economy and the influence of external factors, such as weather changes or political decisions. Our research is focused on Spanish speaking countries. In this thesis, we study dif- ferent types of neural networks and their applicability for various analysis tasks, including GDP prediction as well as assessing major trends in the development of the countries. The studied models include multilayered neural networks, recur- sive neural networks, and Kohonen maps. Historical macroeconomic data across 17 Spanish speaking countries, together with France and Germany, over the time period of 1980-2015 is analyzed. This work then compares the performances of various algorithms for training neural networks, and demonstrates the revealed changes in the state of the countries' economies. Further, we provide possible reasons that explain the found trends in the data.
|
|
| |
|
| |
|
|
Webová aplikace pro tvorbu predikcí call centra
Mička, David ; Hynek, Jiří (oponent) ; Bartík, Vladimír (vedoucí práce)
Cílem práce je vytvořit aplikaci pro tvorbu predikcí call centra, která by mohla nahradit stávající řešení predikcí v prostředí firmy Kiwi.com s.r.o. Výsledná aplikace by měla být intuitivnější a snazší na používání než systém Verint, či tabulkové řešení predikcí a zároveň by měla poskytovat dostatečné množství použití pro tvorbu taktických predikcí, díky kterým lze reagovat na nastávající situace a nastavovat reálná očekávání pro management zákaznického centra.
|
|
|
Predikce rozpustnosti proteinů
Marušiak, Martin ; Martínek, Tomáš (oponent) ; Hon, Jiří (vedoucí práce)
Proteínová rozpustnosť je úzko spojená s použiteľnosťou proteínov pre účely priemyselného využitia a vo výskume. Predikcia rozpustnosti by preto viedla k značnému ušetreniu finančných prostriedkov. V tejto práci je prezentovaný nový prediktor rozpustnosti Solpex založený na strojovom učení, ktorý na nezávislej testovacej sade dosiahol vyššiu presnosť ako porovnateľné existujúce prediktory. Realizácii prediktoru predchádzalo oboznámenie s biologickou podstatou rozpustnosti, preskúmanie existujúcich prístupov k predikcii, tvorba dátových sád, uskutočnenie experimentov a výber vlastností pre prediktor. Najpodstatnejšou z týchto častí je pravdepodobne tvorba dátových sád, ktoré sú kľúčové pre vytvorenie kvalitného prediktoru. V súvislosti s dátovými sadami je v tejto práci podrobne popísané spracovanie hlavného zdroja ich dát - databázy TargetTrack.
|
|
|
Optimalizace strojového učení pro predikci KPI
Haris, Daniel ; Burget, Radek (oponent) ; Bartík, Vladimír (vedoucí práce)
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.
|
|
|
Machine learning with applications to finance
Mešša, Samuel ; Hurt, Jan (vedoucí práce) ; Večeř, Jan (oponent)
The impact of data driven, machine learning technologies across a wide variety of fields is undeniable. The financial industry, which relies heavily on predictive modeling being no exception. In this work we summarize two widely used machine learning models: support vector machines and neural networks, discuss their limitations and compare their performance to a more traditionally used method, namely logistic regression. Evaluation was done on two real world datasets, which were used to predict default of loan applicants and credit card holders formulated as a binary classification task. Neural networks and support vector machines either outperformed or showed comparable results to logistic regression with performance measured in receiver operator characteristic area under curve. In the second task neural networks outperformed both other models by a significant margin.
|
|
| |
host ::
RSS.