|
|
Nowcasting the Real GDP Growth of the European Economies based on Machine Learning
Baylan, Su Hazal ; Kočenda, Evžen (vedoucí práce) ; Baruník, Jozef (oponent)
This thesis analyzes the nowcasting of quarterly GDP growth for nine European economies using a dynamic factor model and four different machine learning models. These machine learning models are as follows: Ridge, Lasso, Elastic Net, and Random Forest. The data includes ten hard and fifteen soft indicators for each country in order to calculate GDP for each nowcasting iteration for pre-covid and covid periods. For machine learning, models are fed with the extracted factors that are obtained from the dynamic factor model, and for all nowcasting models expanding window approach is selected to estimate nowcasting iterations. The empirical finding indicates that overall machine learning models provide better forecasting accuracy compared to dynamic factor models and benchmark models for more stable periods, such as the period before Covid-19. On the other hand, for more volatile periods where the uncertainties are higher in economies, the dynamic factor model outperforms machine learning models in order to nowcast GDP growth. In addition to this, Random Forest is able to outperform all the alternative models for small economies such as Slovenia and Portugal for stable periods. JEL Classification C01, C33, C53, C83, E37 Keywords Nowcasting, DFM, Ridge, Lasso, Elastic Net, Random Forest Title Nowcasting...
|
|
|
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Blaude, Ondřej ; Chmelík, Jiří (oponent) ; Provazník, Valentine (vedoucí práce)
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. Tato problematika je řešena standardními metodami, jako například náhodný les, umělé neuronové sítě nebo K-nejbližších sousedů. Díky své schopnosti samostatně extrahovat příznaky se ale těší oblibě i metody hlubokého učení. Všechny tyto metody jsou popsány v teoretické části. V praktické části byly navrženy deeplearningové modely, jejichž funkčnost byla ověřována za pomoci dat z databáze PhysioNet. Byly vytvořeny dva pilotní modely, které byly následně optimalizovány. Z celého progresu optimalizace parametrů jsou k dispozici tři modely, z nichž nejlepší dosahuje F1 skóre 87,35 % a přesnosti 83,7 %, a druhý nejlepší dosahuje F1 skóre 77,74 % a přesnosti 84,53 %. Výsledky, kterých bylo dosaženo, jsou diskutovány a porovnány s výsledky podobných publikací.
|
|
|
Time Series Analysis
Budai, Samuel ; Bartík, Vladimír (oponent) ; Burgetová, Ivana (vedoucí práce)
This thesis deals with the issue of time series analysis and its use in the detection of anomalies in industrial networks. AR-X, ARIMA, SARIMA, Random Forest, Facebook Prophet and XGB Boost algorithms were used in the solution to create prediction models. In addition, the work includes the implementation of an algorithm for detecting anomalies from prediction models as well as solving the problem of high seasonal period in the case of the SARIMA algorithm. Through the conducted research, it was found that with the use of selected algorithms, it is possible to predict industrial traffic for the purpose of detection, within which up to 90% of attacks were detected. The work also provides a solution to a high seasonal period using partial time series. These results allow the experimental integration of prediction-based detection into real industrial networks.
|
|
|
Testování možností extrakce vybraných krajinných charakteristik pro popis stanovišť výskytu indikačně významných druhů ptáků v Krkonoších z dat dálkového průzkumu Země
Polák, Mojmír ; Kupková, Lucie (vedoucí práce) ; Janík, Tomáš (oponent)
Diplomová práce využívá data Dálkového průzkumu Země dvou prostorových úrovní (Sentinel-2 s pixelem 10 x 10 m a PlanetScope 3 x 3 m). Práce zkoumá možnosti extrakce vybraných krajinných charakteristik (spektrální indexy, typ land cover, krajinné metriky) s cílem vyhodnotit, jaké charakteristiky a v jakém měřítku jsou statisticky významné pro výskyt 23 vybraných druhů ptáků, druhovou bohatost a počet druhů řádu pěvci v kvadrátech 1400 x 1400 m v Krkonoších. Data o výskytu druhů byla mapována v letech 2012-2014 na české i polské straně. Síla vztahu mezi charakteristikami a výskytem byla určena Pearsonovým korelačním koeficientem. Nepodařilo se potvrdit, že by pro extrakci krajinných charakteristik byla přínosnější data s větším prostorovým rozlišením. Z celkového pohledu krajinné charakteristiky neprokázaly funkční vztahy pro všechny vybrané druhy. Jako relevantní se potvrdily pro vybrané druhy, druhovou bohatost a řád pěvců například faktory průměrná nadmořská výška a land cover. Land cover byl analyzován metodou řízené klasifikace Random Forest v prostředí Google Earth Engine s celkovou přesností 78 % v případě dat Sentinel-2, jak v tundře, tak i ve zbylé části území a pro data PlanetScoce v tundře 77 %, ve zbylé části území 66 %. Výsledky klasifikací byly porovnány s datovými produkty CORINE Land...
|
|
|
Spatial Analysis of Czech Parliamentary Election: Comparison of Spatial Econometrics and Machine Learning
Černý, Jakub ; Šťastná, Lenka (vedoucí práce) ; Gregor, Martin (oponent)
Práce analyzuje výsledky voleb do Poslanecké sněmovny Parlamentu ČR z roku 2021 a snaží se vysvětlit voličskou podporu významných politických subjektů za použití agregovaných dat z obcí ČR. Protože data vykazují prostorovou autokorelaci, je nutné k analýze použít vhodný prostorový model. Práce poskytuje empirické i ekonomické důkazy ve prospěch Spatial Durbin Error modelu, který umožňuje rozlišovat přímé a nepřímé efekty jednotlivých proměnných a bere v potaz i prostorovou závislost reziduí. Tato metoda ukazuje, že proměnné popisující socio-ekonomickou úroveň obyvatelstva, jako např. podíl podnikatelů nebo lidí s vysokoškolským vzděláním, hrají důležitou roli při vysvětlování volebních výsledků a převážně vykazují přímé efekty. Naopak, proměnné obecně popisující obce, jako např. veřejné výdaje nebo úroveň infrastruktury, ovlivňují volební výsledky spíše nepřímo. Následně je analýza replikována pomocí dvou algoritmů strojového učení na principu rozhodovacích stromů a všechny modely jsou porovnány na základě jejich schopnosti předpovídat volební výsledek z neznámých dat. Navzdory skutečnosti, že metody strojového učení neodhadují koeficienty k jednotlivým proměnným, ale pouze jejich relativní důležitost, představuje tento přístup perspektivní doplněk k oboru prostorových analýz.
|
|
|
Detection of modern Slow DoS attacks
Jurek, Michael ; Jonák, Martin (oponent) ; Sikora, Marek (vedoucí práce)
With the evolving number of interconnected devices, the number of attacks arises. Malicious actors can take advantage of such devices to create (D)DoS attacks against victims. These attack are being more and more sophisticated. New category of DoS attacks was discovered that tries to mimic standard user behavior -- Slow DoS Attacks. Malicious actor leverages transport protocol behavior to the highest option by randomly dropping packets, not sending or delaying messages, or on the other hand crafting special payloads causing DoS state of application server. This thesis proposes parameters of network flow that should help to identify chosen Slow DoS Attack. These parameters are divided into different categories describing single packets or whole flow. Selected Slow DoS Attack are Slow Read, Slow Drop and Slow Next. For each attack communication process is described on the transport and application layer level. Then important parameters describing given Slow DoS Attack are discussed. Last section sums up methods and tools of generation of these attacks. Next part deals with possibilities and tools to create such an attack, discuss basic communication concepts of creating parallel connections (multithreading, multiprocessing) and proposes own Slow DoS Attack generator with endless options of custom defined attacks. Next part describes testing environment for the attack generator and tools and scenarios of data capture with the goal of dataset creation. That dataset is used for subsequent detection using machine learning methods of supervised learning. Decision trees and random forest are used to detect important features of selected Slow DoS Attacks.
|
|
|
Mapování vegetace krkonošské tundry z multitemporálních LiDARových dat
Šrollerů, Alex ; Potůčková, Markéta (vedoucí práce) ; Lysák, Jakub (oponent)
Práce se zabývá parametry vertikální struktury vegetace odvozenými z UAV LiDARových dat a jejich využitím k multitemporální klasifikaci vybraných druhů arkto-alpinské tundry Krkonoš. Na základě rešerše literatury se zaměřením na nízké a keřovité porosty jsou vytipovány strukturní parametry. Jejich vhodnost k rozlišení tundrovité vegetace je hodnocena algoritmem Random Forest a metodou určení důležitosti prediktorů pomocí permutace out-of bag pozorování, vynecháním prediktoru a individuální výkonností prediktoru. Následně je provedena fúze s multispektrálními daty a určen vliv LiDAR odvozených strukturních parametrů na zpřesnění výsledků klasifikace. Zkoumány jsou také strukturní parametry vegetace odvozené z digitálního modelu povrchu získaného obrazovou korelací multispektrálních dat. Pro odlišení vegetačních tříd byl jako nejvhodnější určen parametr maximální výšky, následován minimální výškou, relativním poměrem povrchu vegetace a koeficientem variace, které dosáhly celkové klasifikační přesnosti 67,3 % pro Bílou louku a 62,3 % pro Úpské rašeliniště. Fúze s multispektrálními daty vedla k zpřesnění klasifikace do 2 %. V případě struktury vegetace odvozené z digitálního modelu povrchu bylo dosaženo stejného výsledku s výjimkou vyšších porostů. LiDARová data se neukázala jako přínosná k odlišení...
|
|
|
Klasifikace krajinného pokryvu ve vybraných územích Etiopie pomocí klasifikátoru strojového učení
Valchářová, Daniela ; Štych, Přemysl (vedoucí práce) ; Nedbal, Václav (oponent)
Diplomová práce se zabývá klasifikací krajinného pokryvu v regionu Sidama v Etiopii a 2 kebelí, Chancho a Dangora Morocho. Využívány jsou družicové snímky vysokého rozlišení Sentinel-2 a velmi vysokého rozlišení PlanetScope. Tvorba klasifikačního algoritmu probíhá v cloudovém prostředí Google Earth Engine. Testováno je 10 kombinací 4 nejdůležitějších parametrů klasifikační metody Random Forest. Definovaná legenda obsahuje 8 tříd land cover, a to zástavba, plodiny, louka/pastvina, les, křoviny, holá půda, mokřad a vodní plocha. Trénovací dataset je sbírán v terénu na podzim roku 2020. Porovnávány jsou výsledky klasifikace dvou typů dat na dvou měřítkových úrovní. Nejvyšší celková přesnost pro klasifikaci land cover regionu Sidama vyšla 84,1 % a kappa index 0,797, a to s parametry metody Random Forest 100 stromů, 4 spektrální pásma vstupující do každého stromu, hodnota 1 pro populaci listu a 40 % trénovacích dat využitých pro každý strom. Pro klasifikaci land cover kebele Chancho a Dangora Morocho se stejným nastavením metody vyšla celková přesnost 66,00 a 73,73 % a kappa index 0,545 a 0,601. Pro klasifikaci kebele Chancho vyšla lépe jiná kombinace parametrů (80, 3, 1, 0,4), a přenositelnost stejného nastavení algoritmu se tak potvrdila pouze z 50 %. Pro klasifikaci kebelí autorka práce v diskuzi...
|
|
|
Analýza dat firmy produkující zdravotnické potřeby
Kulhánková, Monika ; Bartík, Vladimír (oponent) ; Burgetová, Ivana (vedoucí práce)
Tato bakalářská práce se zabývá analýzou prodejních dat společnosti, konkrétně klasifikací typu zákazníka podle jeho prodejních dat. Poskytuje teoretický úvod k získávání znalostí z dat. Popisuje proces klasifikace, metody pro vytváření klasifikátorů a je zde představen model CRISP-DM. V práci jsou popsány poskytnuté datové sady, ze kterých jsou vybrány relevantní atributy. Data jsou předzpracována a použita při tvorbě a testování klasifikačních modelů. Výsledkem práce je porovnání dosažených výsledků.
|
|
| |
host ::
RSS.