|
|
Vytěžování databáze Poradny pro poruchy metabolismu
Senft, Martin ; Ivánek, Jiří (vedoucí práce) ; Musil, Vladimír (oponent)
Tato práce aplikuje data miningovou metodu rozhodovacích pravidel na data z Poradny pro poruchy metabolismu Fakultní nemocnice Plzeň. Jako nástroj slouží systém LISp-Miner, vyvinutý na VŠE Praha. Nalezená rozhodovací pravidla jsou zhodnocena s odborníkem. Základní části této práce jsou: souhrn hlavních data miningových metod a metod pro hodnocení výsledků. Dále pak popis aplikace data minigu a popis a zhodnocení výsledků.
|
|
|
Shlukování dat pomocí procedury MCluster-Miner systému LISp-Miner
Pelc, Tomáš ; Šimůnek, Milan (vedoucí práce) ; Šulc, Zdeněk (oponent)
Bakalářská práce se zabývá shlukováním dat pomocí procedury MCluster-Miner systému LISp-Miner. Prvním cílem práce je shluková analýza dat pomocí zmíněné procedury a posouzení možností jejího využití na různých datových sadách. Pro dosažení tohoto cíle práce je prakticky aplikována daná procedura na šesti datových sadách. Druhým cílem práce je rozebrat možnosti implementovaných algoritmů, měr podobnosti a navrhnout doporučení pro volbu parametrů úlohy shlukování. K splnění tohoto cíle jsou dostupné algoritmy a míry podobnosti porovnány podle dosažených výsledků (kvalita rozdělení objektů do shluků, čas úlohy, počet atributů použi-tých pro shlukování). Následně jsou z těchto porovnání odvozena doporučení pro volbu parame-trů úlohy shlukování. Přínosem práce jsou tyto doporučení, porovnání dostupných algoritmů a měr podobnosti, shrnutí aktuálního stavu (ke květnu 2017) modulu MCluster-Miner a ukázání možnosti zobrazení výsledků shlukovací úlohy na interaktivní analýze geografických dat. V teo-retické části práce je popsán systém LISp-Miner, základní principy shlukování, způsoby shluková-ní a míry podobnosti, které využívá GUHA-procedura MCluster-Miner, a modul MCluster-Miner. V praktické části je aplikována procedura MCluster-Miner na šesti různých datových sadách a jsou zde shrnuty dosažené výsledky.
|
|
|
Aplikace systému LISp-Miner na rozsáhlá reálná data
Hrnčíř, Jan ; Rauch, Jan (vedoucí práce) ; Chudán, David (oponent)
Tato diplomová práce popisuje pokročilé metody dobývání znalostí z databází (DZD), implementované v systému LISp-Miner. Cílem je ukázat možnosti koordinovaného využití analytických nástrojů a složitějších GUHA procedur tohoto systému. V diplomové práci je použita metodika CRISP-DM, která je nejdříve popsána a v následujících částech práce je podle ní postupováno. Autor práce nejprve představí čtenáři doménovou oblast a poté samotná data, která jsou dle zpracována pro potřeby analýz. Analytické otázky, na které je odpovídáno, jsou čerpány z literatury zabývající se doménovou oblastí. Práce by měla sloužit jako návod uživatelům systému LISp-Miner, použití analytických nástrojů a GUHA procedur je proto popisováno co nejsrozumitelnějším způsobem.
|
|
|
Vytváření webové analytické zprávy z metabáze systému LISp-Miner
Nepomucký, Pavel ; Rauch, Jan (vedoucí práce)
Diplomová práce se zabývá možností prezentace výsledků systému LISp-Miner na internetu. Práce je rozdělená do tří velkých částí. V první části práce je stručně popsán proces analýzy dat, včetně popisu nově vznikajícího oboru infografiky a jeho uplatnění při publikování výsledků nalezených během procesu DZD. V druhé části jsou popsány možnosti exportu systému LISp-Miner. Tato část obsahuje také popis výstupních formátů jednotlivých modulů včetně možného využití s jinými technologiemi. Následuje shrnutí všech možností exportu systému LISp-Miner a případné vylepšení přidáním nových formátů nebo úpravou stávajících. V poslední části diplomové práce je zachycen postup při vyvíjení webové aplikace pro publikování výsledků pro modul 4ft-Miner. Závěr práce obsahuje vyhodnocení a nastínění možného budoucího rozvoje projektu.
|
|
|
Porovnání přístupů ke generování umělých dat
Šejvlová, Ludmila ; Šimůnek, Milan (vedoucí práce) ; Pavlíčková, Jarmila (oponent)
Diplomová práce se zabývá umělými daty, konkrétně vybranými přístupy k jejich generování a praktickou úlohou generování dat. Cílem teoretické části práce je popsat vybrané přístupy ke generování umělých dat, shrnout jejich hlavní klady a zápory a jednotlivé přístupy vůči sobě porovnat. Cílem praktické části práce je vygenerovat umělá data pro účely výuky dobývání znalostí z databází. Práce uvádí základní popis umělých dat a podrobně vysvětluje proces jejich generování. Z možných přístupů ke generování umělých dat se práce zaměřuje na náhodný přístup, statistický přístup, generovací jazyky a nástroj ReverseMiner. Práce pojednává také o využití umělých dat v praxi a o vhodnosti jednotlivých přístupů pro určité záměry. V rámci práce byla pomocí nástroje ReverseMiner vytvořena výuková data Hotel SD, která obsahují vztahy odhalitelné pomocí GUHA-procedur typu SD (set-difference).
|
|
|
Vytěžování databáze Poradny pro poruchy metabolismu
Senft, Martin ; Ivánek, Jiří (vedoucí práce) ; Musil, Vladimír (oponent)
Tato práce aplikuje data miningovou metodu rozhodovacích pravidel na data z Poradny pro poruchy metabolismu Fakultní nemocnice Plzeň. Jako nástroj slouží systém LISp-Miner, vyvinutý na VŠE Praha. Nalezená rozhodovací pravidla jsou zhodnocena s odborníkem. Základní části této práce jsou: souhrn hlavních data miningových metod a metod pro hodnocení výsledků. Dále pak popis aplikace data minigu a popis a zhodnocení výsledků.
|
|
|
Učení business rules z výsledků dolování GUHA asociačních pravidel
Vojíř, Stanislav ; Strossa, Petr (vedoucí práce) ; Pour, Jan (oponent) ; Kouba, Zdeněk (oponent) ; Gregor, Jiří (oponent)
V současném vysoce-konkurenčním prostředí je pro podniky velmi důležité, aby jejich informační systémy nejen co nejefektivněji podporovaly stávající podnikové procesy, ale aby se zároveň byly schopny se dynamicky přizpůsobovat měnícímu se prostředí. Stále více se prosazují snahy vzájemně oddělit aplikační a business logiku v rámci informačních systémů, přičemž jedním z vhodných prostředků pro záznam business logiky je využití business rules. Business rules jakožto jednoduchá a srozumitelná pravidla je možné využívat nejen pro shromažďování znalostí v rámci podniku, ale také pro aktivní rozhodování a řízení podnikových procesů. Ačkoliv je business rule přístup využíván již téměř 20 let, jednotlivé specifikace a možné aplikace business rules jsou stále předmětem aktivního výzkumu i praktického vývoje. Nevýhodou business rules je velká náročnost jejich získávání - pravidla jsou obvykle zadávána ručně prostřednictvím doménových expertů. Jedním z problémů, na které je zaměřen aktuální výzkumu v této oblasti, je možnost (polo)automatického získávání business rules z jiných zdrojů - podnikových dokumentů či historických dat. Získávání business pravidel z historických podnikových dat je věnována také tato práce. Hlavním cílem této disertační práce je navrhnout a ověřit metodu (polo)automatického učení business rules za využití dolování asociačních pravidel. Asociační pravidla jsou známou data miningovou metodou objevování zajímavých vztahů v datech, přičemž nalezené vztahy jsou srozumitelné a vysvětlitelné. Tato srozumitelnost napomáhá možnosti využívat je pro učení business pravidel. K učení business pravidel lze využívat nejen jednoduchá asociační pravidla získávaná pomocí algoritmu Apriori či FP Growth, ale také složitější asociační pravidla získávaná za využití metody GUHA. V rámci práce je využívána procedura 4ft-Miner data miningového systému LISp-Miner. V rámci této práce je nejprve popsána problematika business pravidel a jejich využívání pro modelování podniků i praktické zapojení do podnikových procesů a také problematika dolování asociačních pravidel. S ohledem na roztříštěnost specifikací a standardů pro definici business rules je v rámci práce definován a následně prakticky aplikován proces pro výběr odpovídající specifikace business rules pro konkrétní praktické využití. Následně jsou v rámci práce navrženy tři způsoby zapojení dolování asociačních pravidel pro učení business rules. V rámci těchto modelů byl též definován model pro transformaci GUHA asociačních pravidel do business pravidel ve formátu DRL (pro systém Drools). Pro možnost získávání business pravidel za využití většího množství zdrojů, zejména za využití dolování asociačních pravidel z většího množství data setů, je v další části práce navržena struktura báze znalostí vhodné pro propojení business rules a asociačních pravidel z většího množství zdrojů, přičemž z pohledu business rules slouží jako terminologický slovník, pro dolování asociačních pravidel pak plní úlohu báze doménových znalostí pro předzpracování dat. Navržené modely byly ověřeny za využití praktických implementacích v systémech EasyMiner (v kombinaci se systémem Drools) a Erian. V rámci práce jsou kromě popisů praktických implementací definovány také dva modelové příklady praktického využití učení business pravidel z výsledků dolování GUHA asociačních pravidel, založené na reálných datech. Jeden v oblasti marketingu, druhý v oblasti kontrol ve zdravotních pojišťovnách.
|
|
|
Analýza reálných dat pro úsek zákaznických služeb
Maximilián, Michal ; Šimůnek, Milan (vedoucí práce) ; Veselý, Jiří (oponent)
Cílem této bakalářské práce je pomocí analýzy reálných CRM dat nalézt takové vztahy, které by zadavatelská společnost využila k upřesnění návrhu obsahu nových webových stránek. Tato analýza bude prováděna pomocí procedur CF-Miner a KL-Miner systému LISp-Miner, který je akademickým systémem pro dobývání znalostí z databází založený na metodě GUHA. Celý proces analýzy je rozdělen dle fází metodiky CRISP-DM. Přínosem mé práce je především nalezení neznámých vztahů a závislostí, které budou v praxi efektivně využity. Dalším přínosem je představení metod a nástrojů, využitých při analýze a v neposlední řadě také představení samotného systému LISp-Miner. Práce je rozdělena na teoretickou a praktickou část. V prvních třech kapitolách vysvětlím, co je to dobývání znalostí z databází, jaké se při něm používají nástroje, metodiky a postupy. Dále vysvětlím jednotlivé fáze DZD odpovídající metodice CRISP-DM. Závěrem teoretické části popíši systém LISp-Miner, který byl pro tuto analýzu využit. Praktická část je členěna dle metodiky CRISP-MD. Představím tedy nejprve oblast a data, která budu analyzovat. V dalších krocích si data předpřipravím a následně je využiji při řešení analytických úloh. V závěru praktické části interpretuji výsledky jednotlivých analýz a navrhnu využití v praxi.
|
|
|
Data mining ve veřejně přístupných datech
Pangrác, Jiří ; Rauch, Jan (vedoucí práce) ; Chudán, David (oponent)
Tato bakalářská práce se zabývá aplikací metod dataminingu na veřejně přístupná data. Datamining je technika získávání potenciálně zajímavých vztahů z dat. Analýza je prováděna na datech České obchodní inspekce, která jsou veřejně dostupná. Byly položeny analytické otázky, na které v této práci hledám odpovědi. Pro řešení analytických otázek je používán systém LISp-Miner, konkrétně procedury 4ft-Miner a CF-Miner. Kromě samotných otázek se práce zabývá i systémem LISp-Miner a dataminingem obecně. Hlavním cílem práce je prezentace výsledků pro jejich případné použití v praxi.
|
|
|
Možnosti prezentace výsledků DZD na webu
Koválik, Tomáš ; Rauch, Jan (vedoucí práce) ; Šimůnek, Milan (oponent)
Diplomová práce se zabývá DZD analýzou dat a způsoby prezentace výsledků DZD na webu. Práce je členěna do tří hlavních částí, které na sebe navazují a kopírují průběh celé práce. První část práce obsahuje teoretický základ, potřebný pro pochopení probírané problematiky. Je zde popsána metodika CRISP-DM, jsou zde definovány pojmy matice dat a doménové znalosti, je zde představena metoda GUHA, systém LISp-Miner a implementace metody GUHA v systému LISp-Miner včetně popis pro tuto práci stěžejních procedur 4ft-Miner a CF-Miner. Druhá část práce je zaměřená na zpracování prvního cíle práce. Stručně se věnuje popisu provedené preanalýzy a následně je zde popsán postup během analýzy doménových znalostí ve vybrané datové sadě. V třetí části práce je následně řešen druhý cíl práce, problém prezentace výsledků DZD na webu. Třetí část práce obsahuje stručný teoretický základ k vybraným technologiím. Následně je zde popsána práce při tvorbě automatického exportu výsledků DZD do formátu HTML včetně struktury výstupu a doporučení pro práci se systémem LISp-Miner.
|
host ::
RSS.