|
|
Modelování predikce úpadku ve zpracovatelském průmyslu
Synková, Gabriela ; Bartoš, Vojtěch (oponent) ; Karas, Michal (vedoucí práce)
Tato diplomová práce se zabývá tvorbou bankrotního modelu pro zpracovatelský průmysl v České republice za využití logit analýzy. Teoretická část vymezuje pojem bankrotní model, finanční tíseň a finanční zdraví podniku, dále je tento úsek zaměřen na vliv makroekonomie na přesnost těchto modelů, pohled do jejich historie a popis vybraných modelů. Praktická část práce je v počátku zaměřena na určení spolehlivosti vybraných bankrotních modelů a poté je sestaven nový bankrotní model.
|
|
| |
|
| |
|
|
Modelování predikce bankrotu zemědělských podniků
Pokorný, Petr ; Peter,, Markovič, (oponent) ; Karas, Michal (vedoucí práce)
Diplomová práce je zaměřená na problematiku predikce bankrotu firem podnikající v odvětví zemědělství v České republice. Úvodní část se skládá z úvodu do odvětví zemědělstkých firem a teoretického popisu modelů bankrotu využivaných v akademické sféře. V praktická část práce je rozdělena do dvou úseků. V prvním je provedena aplikace dat dostupných z veřejných zdrojů do určitých modelů bankrotu a jejich hodnocení. Následující úsek je zaměřen na zdokonalení nejslibnějšího modelu s cílem maximalizovat jeho přesnot.
|
|
|
Detekce pohybu v obraze z kamery
Polanský, Petr ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Cílem této práce je zhodnotit účinnost detekce pohybu pomocí Gaussova rozdělení pravděpodobnosti. Algoritmus při detekci pohybu vytvoří krátké video zachycující pohyb a vhodně jej vizualizuje. Vizualizace je provedena grafem intenzity bílých pixelů mapující pohyb. Systém je vhodný hlavně pro méně rušné oblasti, kde pohyb je významnou změnou prostředí. Výsledky této práce ukazují, jaký vliv na detekci mají okolní podmínky a poloha kamery.
|
|
|
Biometrie krevního řečiště prstu
Bělehrádek, Stanislav ; Sekora, Jiří (oponent) ; Mézl, Martin (vedoucí práce)
V této práci jsou uvedeny základní pojmy z oboru biometrie se zaměřením na biometrii krevního řečiště prstu optickými metodami. Práce obsahuje i doplňující informace mimo jiné i z fyziky a anatomie, které jsou důležité pro pochopení problematiky. Součástí práce je návrh přípravku pro biometrii krevního řečiště prstu a návrh vhodného způsobu předzpracování snímků žilního větvení. Praktickou částí je realizace navrženého přípravku a vytvoření programu v MATLABu pro biometrické zpracování získaných obrazů. Vytvořený biometrický systém je otestován na skupině dobrovolníků. Dosažené výsledky jsou zhodnoceny z hlediska možnosti praktického použití a srovnány s podobným zařízením.
|
|
|
Detekce hran pomocí neuronové sítě
Janda, Miloš ; Žák, Pavel (oponent) ; Švub, Miroslav (vedoucí práce)
Hlavní náplní této práce je popis a implementace metod detekce hran pomocí neuronové sítě, které jsou náhradou klasických metod detekce hran pomocí hranových detektorů. V prvních kapitolách je obecně diskutována problematika zpracování obrazu, detekce hran a neuronových sítí. Cílem hlavní části je návrh procesu generování syntetických obrazů, extrakce dat a představení variant vhodných topologií neuronových sítí pro účely detekce hran v obraze. Závěr práce je pak věnován vyhodnocení úspěšnosti detekce hran.
|
|
|
Statistická analýza ROC křivek
Kutálek, David ; Bednář, Josef (oponent) ; Michálek, Jaroslav (vedoucí práce)
ROC křivka (z anglického Receiver Operating Characteristic curve) je zobrazení dvou různých distribučních funkcí F0 a F1, kde na osy se vynáší hodnoty 1-F0(c) a 1-F1(c). Parametr c je reálné číslo. Takto sestrojená křivka se v poslední době často využívá k posouzení kvality diskriminačního pravidla pro zařazení objektu do jedné ze dvou tříd. Jako kritérium pak slouží velikost plochy pod ROC křivkou. V reálných úlohách se pak uplatňují metody bodových a intervalových odhadů ROC křivek a testování statistických hypotéz o ROC křivkách.
|
|
|
Srovnání vybraných klasifikačních metod pro vícerozměrná data
Stecenková, Marina ; Řezanková, Hana (vedoucí práce) ; Berka, Petr (oponent)
Cílem této diplomové práce je srovnání vybraných klasifikačních metod, a to logistické regrese (binární a multinomické), vícevrstvého perceptronu a klasifikačních stromů CHAID a CRT. V první části je připomenut teoretický základ těchto metod a vysvětlena podstata parametrů modelu. V další části jsou na šesti datových souborech aplikovány výše uvedené klasifikační metody a následně porovnány výstupy těchto metod. Důraz je kladen zejména na hodnocení diskriminační síly modelů. Této problematice je věnována samostatná kapitola. Hodnocení diskriminační síly modelu je založeno na celkové úspěšnosti, F-míře a velikosti plochy pod ROC křivkou. Přínosem práce není pouze srovnání vybraných klasifikačních metod na základě statistik hodnotících diskriminační sílu modelů, ale také celkový přehled o přednostech a nedostatcích jednotlivých metod.
|
|
|
Míry kvality klasifikačních modelů a jejich převod
Hanusek, Lubomír ; Hebák, Petr (vedoucí práce) ; Řezanková, Hana (oponent) ; Skalská, Hana (oponent)
Prediktivní sílu klasifikačních modelů lze vyhodnotit různými ukazateli. V oblasti data miningu (dále DM) se nejvíce využívají míry Giniho koeficient, Kolmogorovova-Smirnovova statistika a lift. Tyto míry jsou založeny na zcela rozdílném způsobu výpočtu a je-li analytik zvyklý používat jednu z těchto měr, může být pro něj těžké udělat si představu o kvalitě modelu vyhodnoceném jinou mírou. Tato práce si klade za cíl nalézt mezi jednotlivými mírami převodní mechanismus. Přestože hlavní důraz je kladen na tři výše uvedené míry, práce se zabývá i dalšími ukazateli, a to sensitivitou, specificitou, celkovou správností a plochou pod ROC křivkou. Při vývoji DM modelů často vzniká potřeba pracovat nikoli s původním základním souborem o rozsahu miliónů či desítek miliónů pozorování, ale s výběrem, který je stratifikovaný dle hodnot vysvětlované proměnné Y. Vyhodnotí-li se pak model na stratifikovaných datech, vzniká potřeba vědět, jak se jednotlivé míry změní při přepočtu na základní soubor. Tato práce popisuje způsob, jak tento převod uskutečnit. Součástí této práce je i softwarová aplikace, která výše uvedené převody umožňuje. S její pomocí lze nejen převádět jednu míru kvality na druhou, ale také převádět míry získané na stratifikovaném souboru na soubor základní. Výstupem této aplikace je vedle požadovaných měr (sensitivita, specificita, celková správnost, Giniho koeficient, Kolmogorovova-Smirnovova statistika) také konfuzní matice a grafy kvality (lift křivka, gains křivka, ROC křivka a KS křivka). Internetová adresa, kde lze aplikaci stáhnout, a také uživatelský manuál k této aplikaci jsou součástí této práce. Veškerá teorie popsaná v této práci byla ověřena na reálných datových souborech.
|
host ::
RSS.