|
|
Použití metod dobývání znalostí v oblasti kardiochirurgie
Čech, Bohuslav ; Berka, Petr (vedoucí práce) ; Aiglová, Květoslava (oponent)
Tato práce demonstruje praktické využití metod dobývání znalostí v oblasti kardiochirurgie použitím metody GUHA a systému LISp-Miner pro řešení úloh Kardiochirurgické kliniky FN Olomouc na reálných datech z plastik mitrálních chlopní v letech 2002 až 2011. Teoretická část se v kapitole DZD věnuje typům úloh, metodám a metodikám a v kapitole kardiochirurgie anatomii a funkci srdce, vadám mitrální chlopně a možnostem diagnostiky včetně jejich kvantifikace. V praktické části jsou pak řešeny úlohy v souladu s metodikou CRISP-DM.
|
|
|
Reálná úloha dobývání znalostí
Pešek, Jiří ; Berka, Petr (vedoucí práce) ; Máša, Petr (oponent)
Diplomová práce "Reálná úloha dobývání znalostí" se ve své praktické části zabývá predikcí odchodu zákazníků mobilního operátora. Úloha je řešena nad reálnými daty telekomunikační společnosti a pokrývá všechny kroky procesu dobývání znalostí. V souladu s metodikou CRISP-DM práce detailně rozebírá tyto fáze: porozumění problematice, porozumění datům, příprava dat, modelování, vyhodnocení výsledků a využití výsledků. Coby systém pro dobývání znalostí byl zvolen nástroj IBM SPSS Modeler. V úvodní kapitole teoretické části se čtenář seznámí s problematikou tzv. churn managementu, do níž spadá řešená úloha, nechybí zde vymezení základních pojmů v rámci data miningu. Pozornost je věnována rovněž základním typům úloh dobývání znalostí a algoritmům, které jsou relevantní ke zvolené úloze (rozhodovací stromy, regrese, neuronové sítě, bayesovské sítě a SVM). Samostatnou kapitolu tvoří metodiky popisující jednotlivé fáze procesu dobývání znalostí, přičemž větší prostor je věnován metodice CRISP-DM, z níž se vycházelo při řešení praktické úlohy. V závěru teoretické části jsou zmíněny komerční i volně dostupné systémy pro dobývání znalostí.
|
|
| |
|
|
Praktické uplatnění technologií data mining ve zdravotních pojišťovnách
Kulhavý, Lukáš ; Pour, Jan (vedoucí práce) ; Kučera, Petr (oponent)
Tato diplomová práce se věnuje technologii data mining a možnostem jejího praktického využití v oblasti zdravotních pojišťoven. Práce vymezuje pojem data mining a jeho vztah k pojmu dobývání znalostí z databází. Pojem data mining je vysvětlen mimo jiné pomocí metodik popisujících jednotlivé fáze procesu dobývání znalostí z databází (CRISP-DM, SEMMA). Nechybí informace o možných praktických využitích technologie a o dostupných produktech na trhu (jak produkty zdarma dostupné, tak produkty komerční). Představení hlavních metod data miningu a konkrétních algoritmů (rozhodovací stromy, asociační pravidla, neuronové sítě a další metody) slouží jako teoretický úvod, na který navazují praktické aplikace nad reálnými daty reálných zdravotních pojišťoven. Jedná se o aplikace hledání příčin nárůstu úhrad a predikce odchodu zákazníků. Tyto aplikace jsem řešil ve zdarma dostupných systémech Weka a LISp-Miner. Cílem je představit a ověřit schopnosti data miningu nad daty tohoto typu a ověřit možnosti zmíněných systémů Weka a LISp-Miner při řešení úloh vzhledem k metodice CRISP-DM. Závěr práce je věnován oblastem cloud a grid computingu ve spojitosti s data miningem. Nabízí pohled na možnosti těchto technologií a jejich přínosy pro technologii data mining. Možnosti využití cloud computingu jsou prezentovány na řešení Amazon EC2, grid computing je možné využít z rozhraní Weka Experimenter.
|
|
|
Zpracování asociačních pravidel metodou vícekriteriálního shlukování
Kejkula, Martin ; Rauch, Jan (vedoucí práce) ; Berka, Petr (oponent) ; Máša, Petr (oponent)
Cílem této práce je navrhnout metodu, která by umožňovala zpracovat množinu asociačních pravidel: měla by poskytovat strukturovaný, přehledný popis celé množiny asociačních pravidel, získané libovolnou implementací nějakého algoritmu pro hledání asociačních pravidel v analyzovaných datech. Měla by uživateli poskytnout přehled o množině vygenerovaných asociačních pravidel a usnadnit její zpracování. Způsob dosažení cíle, zvolený v této práci je: rozdělit množinu asociačních pravidel do podmnožin. Asociační pravidla v jedné podmnožině by si měla být vzájemně více podobná než pravidla ze dvou různých podmnožin. Hlavním přínosem této práce je nová originální metoda zpracování asociačních pravidel. Vedlejším přínosem práce je rozsáhlá rešerše publikovaných metod zpracování asociačních pravidel. Metoda vícekriteriálního shlukování poskytuje rozdělení asociačních pravidel do skupin vzájemně si podobných pravidel (tzv. "přirozených shluků"), kterého není možné dosáhnout žádnou z doposud známých metod. Metoda používá nový způsob reprezentace asociačních pravidel, inspirovaný vektorovým modelem, používaným v oblasti zpracování informačních fondů (information retrieval). V práci je popsán převod asociačních pravidel do vektorového modelu, analogickému k vektorové reprezentaci dokumentů. Jádrem metody je dvojí, na sobě nezávislé shlukování asociačních pravidel: shlukování kvantitativních charakteristik (jako jsou např. spolehlivost, podpora, faktor zajímavosti) a cedentální shlukování asociačních pravidel (inspirované shlukováním dokumentů). Struktura práce: na úvodní kapitolu navazuje kapitola, popisující proces dobývání znalostí z databází. Proces je popsán na základě vybraných metodik (CRISP-DM, SEMMA, GUHA, RAMSYS).Třetí kapitola je věnována pojmu asociační pravidlo a charakteristikám asociačních pravidel. Další kapitola obsahuje rešerši současných metod post-processingu asociačních pravidel. Pátá kapitola seznamuje s problematikou shlukování. Šestá kapitola obsahuje popis metody vícekriteriálního shlukování asociačních pravidel. Další kapitola se věnuje experimentům. Osmá kapitola se zabývá možnostmi využití metody.
|
|
|
Metodika vývoje a nasazování Business Intelligence v malých a středních podnicích
Rydzi, Daniel ; Jandoš, Jaroslav (vedoucí práce) ; Vlček, Radim (oponent) ; Slánský, David (oponent)
Disertační práce pojednává o vývoji a nasazování Business Intelligence řešení v malých a středních podnicích (SME) v České republice. Práce je vyvrcholením dosavadní profesní snahy autora o sestavení metodického modelu vývoje těchto aplikací v malém a středním podniku s využitím vlastních sil a minimálních nákladů. Tuto práci lze rozdělit do pěti základních částí, které se dále dělí na kapitoly. První část, popisující v práci užité technologie, je rozdělena do dvou kapitol. První kapitola popisuje soudobý stav oblasti Business Intelligence a její součástí je i původní rozdělení jednotlivých úrovní tohoto konceptu. Druhá kapitola popisuje dvě techniky z oblasti dobývání znalostí z databází (KDD), které byly vybrány pro tvorbu řešení užitých v případových studiích. Druhá část popisuje oblast společenského života, ve které tato práce vznikala a pro kterou je učeno její využití, tedy oblast malých a středních podniků v ČR. Tato oblast je reprezentována jednou kapitolou, ve které jsou definovány vymezující rozdíly malých a středních podniků oproti ostatním, tedy velkým společnostem. Dále jsou zde vysvětleny autorovy pohnutky zaměření se na tuto oblast. Třetí samostatný celek představuje výsledky průzkumu, který byl uskutečněn mezi českými SME s podporou Katedry informačních technologií Fakulty informatiky a statistiky VŠE Praha. Cílem průzkumu bylo zmapovat připravenost českých SME na vývoj a nasazování aplikací typu BI, determinovat, jaké jsou nejčastější problémy SME, s jejichž podporou řešení by takové aplikace mohly pomoci a determinovat nejvýznamnější faktory omezující vyšší míru nasazení BI řešení mezi českými SME. Čtvrtá část práce je zároveň jejím jádrem. Ve dvou kapitolách jsou zde popsány existující metodiky implementace BI řešení včetně známé metodiky CRISP-DM a především původní Metodika vývoje a nasazování Business Intelligence řešení v malých a středních podnicích. Poslední, pátá část, se skládá z kapitoly o představení konkrétního podniku, ve kterém byl pro potřeby této práce prováděn výzkum vývoje a nasazování Business Intelligence řešení a z kapitol, které představují jednotlivé případové studie nasazování BI řešení v tomto podniku dle původní metodiky a které přinášejí důkaz o jejím ověření v praxi.
|
|
|
Data mining v telefonní ústředně
BUMBA, Tomáš
Výkon výpočetních systémů je dnes natolik dostačující, že se uchovávají objemné databáze dat, které bez použití dalších nástrojů nemají vypovídací schopnost. Jedním z takových systémů je i telefonní ústředna, jejíž databáze bude podrobena bližšímu bádání. Tato databáze obsahuje stovky uskutečněných hovorů, které jsou realizovány skrze telefonní ústřednu, jak v okruhu firmy tak mimo ni. Úkolem této bakalářské práce je nalezení co nejvíce skrytých souvislostí v databázi z telefonní ústředny, které odpovídají navrženým formám lidských vztahů.
|
|
| |
|
| |
|
|
Empirické porovnání systémů dobývání znalostí z databází
Dopitová, Kateřina ; Berka, Petr (vedoucí práce) ; Rauch, Jan (oponent)
Předkládaná diplomová práce se zabývá empirickým porovnáním systémů dobývání znalostí z databází. Jsou v ní definovány základní pojmy a metody z oboru dobývání znalostí z databází a stanovena kritéria použitá pro porovnávání systémů. V práci jsou rovněž stručně popsány testované softwarové produkty. Pro všechny systémy jsou uvedeny výsledky zpracování reálné úlohy. V rámci práce je provedeno srovnání jednotlivých systémů podle předem stanovených kritérií a porovnání konkurenceschopnosti komerčních a nekomerčních systémů pro dobývání znalostí z databází.
|
host ::
RSS.