Original title: Predikce doby dílčích servisních zásahů z agregovaných dat
Translated title: Prediction of the Time of Partial Service Interventions from Aggregated Data
Authors: Ludvík, Rostislav ; Rozsíval, Michal (referee) ; Smrčka, Aleš (advisor)
Document type: Bachelor's theses
Year: 2026
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [cze] [eng]
Tato bakalářská práce se zabývá metodami odhadu skrytých proměnných aplikovatelnými na datovou sadu servisních zásahů společnosti Thermo Fisher Scientific. Řešený problém spočívá v odhadu dílčích časů výměny náhradních dílů z agregovaného celkového času servisního zásahu. Pro výsledný predikční model jsou využity neuronové sítě, a to zejména pro jejich schopnost zachytit nelineární závislosti v datech. Navržený model z atributů servisního zásahu a označení náhradního dílu odhaduje očekávaný čas potřebný k jeho výměně. Součástí práce je implementace modelu ve formě aplikace s příkazovým rozhraním. Aplikace umožňuje nahrání datové sady, trénink modelu a následnou predikci času výměny pro zadaný díl nebo jejich kombinaci. Funkcionalita řešení je následně ověřena na anonymizovaných datech. Výsledky vyhodnocení svědčí o schopnosti implementovaného modelu poskytovat prakticky využitelné odhady. This bachelor's thesis focuses on methods for estimating latent variables applicable to a dataset of service interventions from Thermo Fisher Scientific. The addressed problem consists in estimating the partial replacement times of spare parts from the aggregated total time of a service intervention. Neural networks are used for the final predictive model, mainly due to their ability to capture nonlinear dependencies in the data. Based on the attributes of a service intervention and the identification of a spare part, the proposed model estimates the expected time required for its replacement. The thesis also includes the implementation of the model as a command-line interface application. The application enables loading a dataset, training the model, and subsequently predicting the replacement time for a selected part or a combination of parts. The functionality of the solution is then verified on anonymized data. The evaluation results indicate the ability of the implemented model to provide practically useful estimates.
Keywords: aggregated data; CLI application; latent variables; least squares method; linear regression; machine learning; neural networks; prediction model; agregovaná data; CLI aplikace; lineární regrese; metoda nejmenších čtverců; neuronové sítě; predikční model; skryté proměnné; strojové učení

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/259314

Permalink: http://www.nusl.cz/ntk/nusl-777354


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses