|
|
Praktické využití znalostních systémů v automobilové diagnostice
Koláček, Miroslav ; Pudil, Pavel (vedoucí práce) ; Novák, Michal (oponent)
Tato práce v teoretické části shrnuje mezinárodní poznatky z problematiky expertních systémů a jejich nasazení v automobilové diagnostice. V praktické části řeší metodiku a výběr vhodného expertního systému pro vývoj diagnostické aplikace. Tuto problematiku dále rozpracovává metodikou převodu znalostí experta do znalostní databáze a tvorbou aplikace k jejímu využití v rámci platformy Windows, Web a Android. Mimo vypracování samotného produktu, poskytuje také návod pro další zájemce o přípravu podobných aplikací a námět na budoucí rozvoj již připraveného nástroje.
|
|
|
Využití metod manažerského rozhodování při zavádění nového produktu na trhu bezpečnostních služeb
Brož, Jan ; Pudil, Pavel (vedoucí práce) ; Bína, Vladislav (oponent)
Cílem této práce je posoudit vhodnost metod manažerského rozhodování v praxi. Práce poukazuje na odlišnost vybraných metod, zejména ve vztahu k využití diskrétních a spojitých faktorů rizika. Metody jsou aplikovány na případu zavedení nového produktu v odvětví soukromých bezpečnostních služeb. Práce obsahuje kompletní strategický plánovací cyklus vycházející z definovaných cílů organizace, bezpečnostní agentury SECURE. Od analytické části, zahrnující analýzu konkurenčního prostředí 5F, přes tvorbu strategie se autor ubírá k podstatě práce, kterou tvoří realizační část. Zde jsou aplikovány metody manažerského rozhodování za rizika a nejistoty, a to především rozhodovací matice a metoda Monte Carlo. Závěr práce obsahuje hodnocení a porovnání jednotlivých metod a jejich přínos pro praktické použití.
|
|
|
Využití metod manažerského rozhodování při zakládání nového podniku na trhu
Oberhel, Martin ; Pudil, Pavel (vedoucí práce) ; Bína, Vladislav (oponent)
Tato práce se zaměřuje na metody a prostředky, které poskytují pomoc při rozhodování za rizika a nejistoty. V práci jsou aplikovány techniky rozhodování při diskrétních a spojitých hodnotách rizikových faktorů. V případě diskrétních hodnot rizikových faktorů v rámci rozhodování za rizika práce využívá pravidlo očekávané hodnoty, pravidlo očekávané hodnoty a rozptylu a zjišťuje hodnotu dokonalé informace. Práce se dále v rámci rozhodování za nejistoty věnuje pravidlu maximinu a maximaxu, Laplaceovu pravidlu, Hurwitzovu pravidlu a Savageovu pravidlu. Následně se práce zabývá rozhodováním při spojitých hodnotách rizikových faktorů. V této části práce je představena metoda Monte Carlo a metoda analýzy citlivosti a jejich využití s pomocí počítačového programu Lumina Analytica. Poslední část je věnována využití doplňku Treeplan, který funguje jako plugin k programu MS office Excel, a jeho využití při tvorbě rozhodovacích stromů v rámci víceetapového rozhodování. Všechny zmíněné metody jsou prakticky aplikovány na konkrétním příkladu podnikatelského plánu firmy, která momentálně funguje na jindřichohradeckém trhu.
|
|
| |
|
| |
|
|
Introduction to Feature Selection Toolbox 3 – The C++ Library for Subset Search, Data Modeling and Classification
Somol, Petr ; Vácha, Pavel ; Mikeš, Stanislav ; Hora, Jan ; Pudil, Pavel ; Žid, Pavel
We introduce a new standalone widely applicable software library for feature selection (also known as attribute or variable selection), capable of reducing problem dimensionality to maximize the accuracy of data models, performance of automatic decision rules as well as to reduce data acquisition cost. The library can be exploited by users in research as well as in industry. Less experienced users can experiment with different provided methods and their application to real-life problems, experts can implement their own criteria or search schemes taking advantage of the toolbox framework. In this paper we first provide a concise survey of a variety of existing feature selection approaches. Then we focus on a selected group of methods of good general performance as well as on tools surpassing the limits of existing libraries. We build a feature selection framework around them and design an object-based generic software library. We describe the key design points and properties of the library.
|
|
|
Sequential Retreating Search Methods in Feature Selection
Somol, Petr ; Pudil, Pavel
Inspired by Floating Search, our new pair of methods, the Sequential Forward Retreating Search (SFRS) and Sequential Backward Retreating Search (SBRS) is exceptionally suitable for Wrapper based feature selection. (Conversely, it cannot be used with monotonic criteria.) Unlike most of other known sub-optimal search methods, both the SFRS and SBRS are parameter-free deterministic sequential procedures that incorporate in the optimization process both the search for the best subset and the determination of the best subset size. The subset yielded by either of the two new methods is to be expected closer to optimum than the best of all subsets yielded in one run of the Floating Search. Retreating Search time complexity is to be expected slightly worse but in the same order of magnitude as that of the Floating Search. In addition to introducing the new methods we provide a testing framework to evaluate them with respect to other existing tools.
|
|
|
Výběr nejinformativnějších proměnných ve statistickém rozpoznávání
Pudil, Pavel ; Somol, Petr ; Haindl, Michal
Výzkumná zpráva obsahuje přehled metod výběru příznaků ve statistickém rozpoznávání s důrazem na metody vyvinuté výzkumníky projektu MATEO Centre of Mechatronics. Diskutované metody zahrnují nejnovější verze optimalizačních algoritmů, sub-optimální techniky a modelování simultánní semi-parametrické pravděpodobnostní hustoty a metody výběru příznaků. Metody jsou ilustrované na reálných datech pomocí programu Feature Selection Toolbox.
|
|
| |
|
|
Úvod do statistického rozpoznávání
Pudil, Pavel ; Somol, Petr ; Haindl, Michal
Problém rozpoznávání je stručně charakterizován jako proces strojového učení. Jeho hlavní etapy (redukce dimenzionality, návrh klasifikátoru) jsou definovány. Prioritou článku je statistický přístup. Dva přístupy k redukci dimenzionality - výběr příznaků (FS) a extrakce příznaků (FE) jsou zmíněny. Přestože je FS speciálním případem FE, tyto přístupy se velmi liší z praktického pohledu a proto musí studovány odděleně.
|
host ::
RSS.