|
|
Classification and Regression Trees in R
Nemčíková, Lucia ; Bašta, Milan (vedoucí práce) ; Vilikus, Ondřej (oponent)
Rozhodovací stromy tvoří v dnešní době užitečný doplněk ke klasickým metodám pro řešení klasifikačních a regresních problémů. Hlavním cílem této práce není rozhodnout, který přístup je lepší, ale přinést čtenáři přehled těchto metod a aplikovat je na skutečná data s pomocí statistického jazyka R. Práce se soustřeďuje na základní metodiku rozhodovacích stromů, ale především na aplikaci těchto metod, tak aby poskytla čtenáři co nejširší přehled dostupných nástrojů a znalost aby byl schopen tyto metody reálně používat. Poslední část práce se dotkne pokročilých metod pro vylepšení modelů rozhodovacích stromů, aby byl poskytnut ucelený obraz možností.
|
|
|
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.
|
|
|
Využití statistických metod v data miningu při predikci chování zákazníků internetového obchodu
Podzimková, Michaela ; Vilikus, Ondřej (vedoucí práce) ; Berka, Petr (oponent)
Data mining je nová disciplína, která se objevuje s rostoucím množstvím ukládaných dat a s rostoucí potřebou získat informace v nich ukryté. Zabývá se extrahováním potenciálně užitečných informací z velkých datových souborů a leží na pomezí statistiky, strojového učení, umělé inteligence, databází a dalších oborů. Cílem této diplomové práce je představit celý proces data miningu s důrazem na jeho spojitost se statistikou a popsat vybrané statistické metody, které se v této oblasti hodně používají a které jsou v práci aplikovány na vlastní řešení dataminingového problému. Na reálných datech o nákupech v internetovém obchodě je ukázáno, že využití různých metod přináší různé výsledky a zajímavé poznatky o nákupním chování, a také vede k dokázání, že ne všechny metody jsou vždy použitelné na všechny typy úloh.
|
|
|
Převod vybraných algoritmů data-mining z jazyka Java do binární (.exe) formy
Šrom, Jakub
Existují úspěšné systémy pro data-mining (např. WEKA, RapidMiner, aj.) obsahující v současnosti desítky implementovaných algoritmů v jazyce Java, což umožňuje jejich použití pod různými operačními systémy. Nevýhodou interpretovaného zdrojového kódu je zpomalení výpočtu a limitované využití paměti. Diplomová práce je zaměřena na převod několika vybraných implementací algoritmů z Java do binární formy (.exe) prostřednictvím převodu zdrojového kódu do C++ pod operační systém MS Windows 7, 64bitová verze. Cílem je urychlení výpočtů a zlepšení správy využití paměti. Binární forma musí dávat identické výsledky jako forma originální. Kromě vlastního převodu zahrnuje práce také porovnání časových a paměťových nároků původní (pomocí Java Runtime Environment, JRE) interpretované implementace v jazyce Java (64bitové JRE) a výsledné binární 64bitové formy, a to pro zvolená testovací data.
|
|
|
Aplikace metod strojového učení na dolování znalosti z dat
Kraus, Jan
Diplomová práce se zabývá problematikou dolování znalostí z rozsáhlých kolekcí textových dat. Konkrétně je práce zaměřena na analýzu sentimentu uživatele na základě subjektivního slovního hodnocení v přirozeném jazyce. Teoretická část diplomové práce seznamuje čtenáře se základními pojmy z oblasti strojového učení a získávání znalostí zejména z rozsáhlých textových kolekcí. Dále jsou v této části popsány metody předzpracování textových dat a principy algoritmů strojového učení. V praktické části práce jsou navrženy samotné experimenty, které jsou ná-sledně realizovány pomocí softwarového nástroje SPSS Modeler. Experimentální část je zaměřena zejména na identifikaci význačných atributů a nalezení vztahů mezi nimi. Důraz je kladen zvláště na důkladnou interpretaci dosažených výsledků.
|
|
|
Datamining - teorie a praxe
Popelka, Aleš ; Maryška, Miloš (vedoucí práce) ; Machač, Ivo (oponent)
Tato diplomová práce zpracovává téma technologie zvané data mining. Práce nejdříve popisuje data mining jako svébytný obor a dále jeho procesní postupy a nejčastější využití. Samotný pojem data mining je poté vysvětlen pomocí metodik popisujících jednotlivé části procesu dobývání znalostí z databází - CRISP-DM, SEMMA. Práce si dává za cíl představit hlavní metody data miningu a konkrétní algoritmy - rozhodovací stromy, neuronové sítě a genetické algoritmy, přičemž tato fakta jsou zároveň použita jako určitý teoretický úvod, na který navazuje praktická aplikace. V této aplikaci jde o hledání příčin vzniku meningoencefalitidy u určitého vzorku pacientů. Pro analýzu byly použity rozhodovací stromy v systému Clementine, který patří ke špičce dataminingových nástrojů.
|
|
|
Využití data miningu v řízení podniku
Prášil, Zdeněk ; Pour, Jan (vedoucí práce) ; Novotný, Ota (oponent)
Ve své diplomové práci jsem zkoumal, jakým způsobem lze zpracovat podniková data pomocí data miningu a jak využít získaných výsledků pro lepší řízení podniku. Práce je rozdělena na teoretickou část a na část praktickou. Cílem teoretické části práce bylo zjistit: 1/ jaké jsou nejčastěji využívané metody data miningu, 2/ definovat typické aplikační oblasti, 3/ ukázat typické úlohy, které se v těchto oblastech řeší. Cílem praktické části bylo zjistit: 1/ jak může data mining pomoci malému českému elektronickému obchodu k lepšímu pochopení struktury prodeje, 2/ jak může data mining zlepšit výsledky prodeje. Ve své práci jsem zjistil, že nejčastěji používané metody data miningu jsou rozhodovací stromy, lineární a logistická regrese, neuronové sítě, segmentační metody a asociační pravidla. Nejčastější používané obchodní aplikační oblasti jsou CRM a marketing, finanční instituce, pojišťovnictví, telekomunikace, maloobchod a výroba. Úlohy jsou odvislé od typu aplikační oblasti, nejčastěji se úlohy týkají sledování a odhadování chování zákazníků. Analýzou dat elektronického obchodu jsem zjistil, které výrobky jsou spolu nakupovány, což může vést k akcím pro podporu prodeje. Ukázal jsem, že data mining je možné použít i v malém elektronickém obchodě a že i zde může přispět k zefektivnění případných marketingových akcí.
|
|
| |
|
|
Změkčování hran jako úloha strojového učení
Dvořák, Jakub
Změkčování hran v rozhodovacích stromech umožňuje zlepšení predikce klasifikátoru. Tento článek ukazuje některé aspekty optimalizační úlohy nalezení takového změkčení, které dosahuje nejlepší klasifikace na trénovacích datech. Experimenty ukazují, že ke zlepšení dochází i na testovací množině.
|
|
|
Finding Optimal Decision Trees
Máša, Petr ; Ivánek, Jiří (vedoucí práce) ; Berka, Petr (oponent) ; Jiroušek, Radim (oponent)
Rozhodovácí stromy jsou rozšířenou technikou pro popis dat. Používají se často teké pro predikace. Zajímavým problémemje, že konkrétní distribuce může být popsána jedním či více rozhodovacími stromy.Obvykle nás zajímá co nejjednodušší rozhodovací strom(který budeme nazývat též optimální rozhodovací strom).Tato práce navrhuje rozšíření prořezávácí fáze algoritmů pro rozhodovací stromytak, aby umožňovala více prořezávání. V práci byly zkoumány teoretické i praktické vlastnosti tohoto rozšířeného algoritmu. Jako hlavní teoretický výsledek bylo dokázano, že pro jistou třídu distribucí nalezne algoritmus optimální rozhodovací strom(tj.nejmenší rozhodovací strom, který reprezentuje danou distribuci). V praktických testech bylo zkoumáno, jak je schopen algoritmus rekonstruovat známý strom z dat. Zajímalo nás, zdali dosáhne naše rozšíření zlepšení v počtu správně rekonstruovaných stromů zejména v případě, že data jsou dodatečně velká ( z hlediska počtu záznamů). Tato doměnka byla potvrzena praktickými testy. Obdobný výsledek byl před několika lety prokázán pro Bayesovské sítě. Algoritmus navržený v této disertační práci je polynomiální v počtu listů stromu, který je výstupem hladového algoritmu pro růst stromů, což je vylepšení oproti jednoduchému algoritmu prohledávání všech možných stromů, který je exponenciální.
|
host ::
RSS.