2026-03-14
00:01 |
Dokumentace predikčního modelu
Bluementrit, P. ; Brabec, Marek ; Hartman, D. ; Hlinka, Jaroslav ; Petkovová, L. ; Svoboda, Jakub ; Šafr, K.
Výstup v podobě Dokumentace slouží jako doplňkový dokument k modulární knihovně (TK05020142-V1 SW-Neural networks realtime forecasting). Knihovna je určena k predikci energetických veličin, především spotřeby a výroby, s využitím metod umělé inteligence a strojového učení. Dokumentace podrobně popisuje: • vymezení studované úlohy z hlediska aplikačního využití, • specifické parametry úlohy s ohledem na požadavky praxe a jejich vliv na výběr vhodných predikčních modelů, • metodické návody pro instalaci, konfiguraci a práci s knihovnou, • selekci predikčních metod a jejich statistickou validaci a srovnání s ohledem na efektivitu řešení energetických predikčních úloh. Dokumentace rovněž zahrnuje pokyny pro různé typy uživatelů – koncového uživatele knihovny, vývojáře rozšiřujícího její funkcionalitu a analytika zabývajícího se návrhem nových modelů. Plánovaná implementace je uvedena v Implementačním plánu.
Úplný záznam
|
2026-03-14
00:01 |
Případová studie Unicorn Vysoká škola
Petkovová, L. ; Rasl, M. ; Švejdová, J. ; Brabec, Marek ; Hartman, David ; Huptych, M. ; Zdráhal, Z. ; Klegr, Tereza ; Balon, Jan
Případová studie Unicorn Vysoké školy se zabývá charakterizací studijní neúspěšnosti z komplexního pohledu studijního výkonu, temporálního vývoje přístupu ke studiu, studijních návyků, ale také hlavně ze socio-psychologického pohledu. Studie zkouší různé doporučené postupy zkoumané v projektu TQ01000538 na datech z Unicorn Vysoké školy, která patří do segmentu menších vysokých škol zaměřených na technické vzdělání. Komplexní rozbor studijní neúspěšnosti včetně pohledu socio-psychologického podaného v této studii poskytuje cenný nástroj k možné implementaci intervencí snižující toto riziko se zachováním vysoké kvality studia požadované na vysokých školách. Hlavní zjištění celého projektu a aplikovatelnost metod jsou shrnuty v agregované verzi výstupu.
Úplný záznam
|
2026-02-14
00:01 |
Statistical Analysis of the 2024 U.S. Presidential Election: Demographics and Swing States
Kalina, Jan
This paper provides an analysis of the 2024 U.S. presidential election using advanced statistical techniques. The study models the popular vote as a response to eight demographic predictors at the state-wide level, incorporating results from the 2020 election to enhance the analysis. A particular focus is given to the application of two recently developed tools inspired by the least weighted squares estimator (LWS): LWS-lasso estimator and LWSquantiles, which are robust methods designed to handle datasets under multicollinearity, heteroscedasticity, and the presence of outliers. The findings emphasize the critical influence of demographic factors in shaping electoral outcomes, illustrating how demographic shifts impact the dynamics of the 2024 election. Special attention is given to the results in seven key swing states, offering precise insights into their pivotal roles in the electoral landscape. Based on the analysis, we propose a novel classification of the swing states into three distinct clusters, taking into account both their demographic outlyingness and their role in the linear model, offering new insights into their strategic importance in the electoral process.
Úplný záznam
|
2025-12-27
00:12 |
DC 5.3 Odhady kovariancí odhadnutého pole koncentrací
Brabec, Marek ; Malý, Marek ; Malá, Ivana
Obsahem tohoto dokumentu je popis výsledku typu O: SS02030031-V96, Předběžná optimalizace pro zadané scénáře. Je popsána implementace navrženého algoritmu v software R s využitím dříve dosažených teoretických výsledků. Prostřednictvím této implementace byly získány výsledky optimalizace umístění stanic při zadaných scénářích, které jsou hlavním obsahem výsledku. Je ukázán dopad některých modifikací základního scénáře.
Úplný záznam
|
2025-12-27
00:12 |
The role of agent systems in complex modeling and decision making
Kalina, Jan
Agent systems, particularly multi-agent systems, are becoming increasingly important tools for modeling and decision-making in complex environments, including finance, optimization, and epidemics. These systems simulate interactions between autonomous agents, which are individual entities that make decisions based on predefined rules, enabling the study of decentralized phenomena such as market behavior, social interactions, and information diffusion. By incorporating advanced statistical techniques, agent systems offer a more dynamic and adaptable approach compared to traditional, centralized models, capturing emergent behaviors and optimizing decisions in uncertain environments. This paper explores the role of agent systems in addressing challenges in complex domains, with a focus on their application in finance, optimization, epidemic modeling, and combating disinformation. The integration of agent-based models with principles of statistics and information theory is examined as a key factor driving the effectiveness of these systems in real-world applications. Through this examination, the paper highlights the growing significance of agent systems in tackling modern, decentralized problems that traditional methods have struggled to address.
Úplný záznam
|
2025-12-16
16:40 |
Úplný záznam
|
2025-12-16
16:40 |
Structural Learning of BN2A models
Pérez Cabrera, Iván ; Vomlel, J.
Bayesian networks are a popular framework for modeling probabilistic relationships between random variables and have been used successfully in educational tests. There is interest in a particular type of Bayesian networks we have called BN2A, which are characterized as bipartite networks, where the first layer consists of hidden variables (which commonly represent skills) and the second layer consists of observed variables (which represent questions in a test). In BN2A models all variables are assumed to be binary. The variables in the second layer depend on the variables in the first layer and this dependence is characterized by conditional probability tables representing Noisy-AND models. In this work, we propose an Expectation-Maximization (EM) algorithm for learning the structure of BN2A models, that is, for learning the relationship between hidden variables and observed variables. To test the structural learning algorithm, we conducted two experiments. For the first experiment, we used synthetic data generated from a BN2A model that we previously defined, while for the second experiment we used a well-known real-world dataset in the field of Cognitive Diagnostic Models, the Fraction Subtraction dataset. Our proposed algorithm has interesting potential use cases. One key application is to generate a reasonably accurate BN2A structure model for educational diagnosis, particularly in scenarios where no prior model exists. Depending on the required level of accuracy, the estimated model can be used directly to analyze skill profiles or serve as an initial framework for test designers, who can further refine it before implementation.
Úplný záznam
|
2025-07-05
00:00 |
Block-Coordinate Descent Algorithm for Interventional Data in Directed Graphical Models
Wu, Jun
Computing maximum likelihood estimates in linear structural equation models is generally a difficult problem. The critical equations are usually non-linear and have numerous solutions, even for purely observational data. The block-coordinate descent (BCD) algorithm proposed by Drton et al. (2019)[1] is an efficient way to solve the optimization problem by decomposing it into a series of sub-problems with closed-form solutions, and which works with observational data. In this work, we describe the general problem of a BCD-type scheme for computing maximum likelihood estimates in linear structural equation models without hidden variables, integrating multiple observational and interventional environments. With interventional data, the degrees of both the original likelihood equations and the block-coordinate update equations could increase greatly. We study special setups in which the block optimization subproblems have a degree of at most 2 and provide closed-form solutions in these cases. Additionally, we discuss the potential applications of the model and algorithm to health and well-being data.
Úplný záznam
|
2025-05-31
00:01 |
Úplný záznam
|
2025-03-02
00:01 |
Úplný záznam
|
|
|
|
host ::
