|
|
Inteligentní prostředí pro rozšiřování znalostí programování v jazyce Python formou samostudia
Krejčí, Jan ; Nosko, Svetozár (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zaměřuje na vytvoření inteligentního prostředí pro rozšiřování znalostí programování v jazyce Python formou samostudia. Klíčovým prvkem práce je implementace mechanismů poskytování zpětné vazby. Pro tento účel byly analyzovány možnosti a omezení velkých jazykových modelů. Vytvořený systém využívá klasifikačních modelů, které na základě analýzy studentských projektů poskytují personalizovanou zpětnou vazbu. Systém byl nasazen a testován v rámci kurzu Skriptovací jazyky na FIT VUT v Brně a měl pozitivní ohlasy od studentů. Výsledek práce představuje ucelený a funkční systém, který splnil svůj původní záměr a přispěl k efektivnějšímu a interaktivnějšímu procesu vzdělávání v oblasti programování v jazyce Python.
|
|
|
Výuka pokročilých konstrukcí jazyka Python na základě poskytování zpětné vazby ke studentským kódům
John, Petr ; Dočekal, Martin (oponent) ; Smrž, Pavel (vedoucí práce)
Tato bakalářská práce se zabývá problematikou vyučování jazyka Python pomocí systému, který studentům poskytne zpětnou vazbu k jejich řešení. Cílem práce bylo vytvořit systém schopný vyhodnocovat studentská řešení a poskytovat zmíněnou zpětnou vazbu. Důraz práce je kladen na zpětnou vazbu, která je studentům poskytována, a také na možnosti spojené s omezením zdrojů použitých při řešení. Vytvořený systém poskytuje zpětnou vazbu na základě analýzy abstraktních syntaktických stromů sestavených z odevzdaného řešení, umožňuje připojit doporučení z programů třetích stran, a také umožňuje nastavit omezení zdrojů, knihoven a funkcí, které mohou být při řešení použity. Systém byl použit v letním semestru při výuce předmětu ISJ a 60 % studentů vylepšilo svoje řešení na základě doporučení ze systému. Tyto skutečnosti dokazují, že systém je možné využít při výuce jazyka Python v praxi.
|
|
|
Prediktivní modelování v jazyce Python
Duda, Jan ; Burgetová, Ivana (oponent) ; Zendulka, Jaroslav (vedoucí práce)
Cílem této bakalářské práce je seznámení s oborem dolování dat a procesu získávání dat z databází. Uvádí nejdůležitější postupy prováděné při dolování. Následně jsou jednotlivé techniky použity v případové studii implementované v jazyce Python. Ta se zaměřuje na predikci indexu S&P 500, který má reprezentovat vývoj akciových trhů na americké burze. Je využito klasifikačních i regresních modelů. Pro vyhodnocení úspěšnosti modelů je využito experimentální metody Monte Carlo.
|
|
|
Výuka pokročilých konstrukcí jazyka Python na základě poskytování zpětné vazby ke studentským kódům
John, Petr ; Dočekal, Martin (oponent) ; Smrž, Pavel (vedoucí práce)
Tato bakalářská práce se zabývá problematikou vyučování jazyka Python pomocí systému, který studentům poskytne zpětnou vazbu k jejich řešení. Cílem práce bylo vytvořit systém schopný vyhodnocovat studentská řešení a poskytovat zmíněnou zpětnou vazbu. Důraz práce je kladen na zpětnou vazbu, která je studentům poskytována, a také na možnosti spojené s omezením zdrojů použitých při řešení. Vytvořený systém poskytuje zpětnou vazbu na základě analýzy abstraktních syntaktických stromů sestavených z odevzdaného řešení, umožňuje připojit doporučení z programů třetích stran, a také umožňuje nastavit omezení zdrojů, knihoven a funkcí, které mohou být při řešení použity. Systém byl použit v letním semestru při výuce předmětu ISJ a 60 % studentů vylepšilo svoje řešení na základě doporučení ze systému. Tyto skutečnosti dokazují, že systém je možné využít při výuce jazyka Python v praxi.
|
|
|
Prediktivní modelování v jazyce Python
Duda, Jan ; Burgetová, Ivana (oponent) ; Zendulka, Jaroslav (vedoucí práce)
Cílem této bakalářské práce je seznámení s oborem dolování dat a procesu získávání dat z databází. Uvádí nejdůležitější postupy prováděné při dolování. Následně jsou jednotlivé techniky použity v případové studii implementované v jazyce Python. Ta se zaměřuje na predikci indexu S&P 500, který má reprezentovat vývoj akciových trhů na americké burze. Je využito klasifikačních i regresních modelů. Pro vyhodnocení úspěšnosti modelů je využito experimentální metody Monte Carlo.
|
|
|
Rozpoznání plagiátů zdrojového kódu v jazyce Python
Bártíková, Pavlína ; Soukup, Ondřej (oponent) ; Křivka, Zbyněk (vedoucí práce)
Tato práce se zabývá jazykem Python a vývojem aplikace, která vyhodnotí podobnost zadaných zdrojových textů v tomto jazyce. Kromě porovnávání komentářů využívá program několik porovnávacích metod, jež aplikuje na posloupnost tokenů, které vytvoří ze zadaných zdrojových textů. Jsou to Levenshteinova vzdálenost, nejdelší společný podřetězec a četnost tokenů. Součástí práce jsou také výsledky testování programu na reálných datech. Aplikace je určena pro kontrolu plagiátů zdrojových kódů školních projektů v jazyce Python.
|
host ::
RSS.