ŠIDLO, D. Umělá inteligence pro predikování sepsí z klinických signálů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Student se ve své práci zabývá predikováním sepse ze sady klinických signálů s využitím hlubokého učení, a to specificky s využitím rekurentní a 1D konvoluční neuronové sítě. Po formální stránce je práce na dobré úrovni, obsahuje kvalitní vektorové obrázky a využívá dostatek kvalitních literárních zdrojů. Text je bohužel občas hůře srozumitelný a logicky nenavazuje. V teoretické části se často projevuje studentova neznalost a nepochopení dané problematiky. Ovšem je třeba poznamenat, že jde o poměrně náročné téma vzhledem k bakalářské úrovni. Oceňuji velkou snahu studenta, který se přes počáteční velmi slabé znalosti v průběhu vypracování práce výrazně zlepšil na alespoň ucházející úroveň. Student byl aktivní, dostatečně konzultoval, zadané úkoly s vypětím sil splnil, ale nepřicházel s žádnými vlastními nápady a návrhy. V praktické části se nedostal přes otestování základních verzí dvou použitých metod a neměl snahu o jejich zlepšení či rozšíření. Experimenty v praktické časti by tedy mohli být podrobnější a rozsáhlejší. Popis výsledků a jejich diskuze jsou také často hůře srozumitelné a obsahují chyby. Celkový rozsah práce je však dostatečný a zadání je splněno. Hodnotím stupněm C - 75 bodů.
Student se ve své bakalářské práci zabýval predikcí sepsí z klinických dat. Pro daný úkol student využil dvě metody strojového učení, konkrétně neuronové sítě LSTM a TCN. Po formální a jazykové stránce je práce, až na několik drobností (např. velká písmena na začátku některých pojmů apod.), na velmi dobré úrovni. Prezentační úroveň práce je také dobrá, členění do kapitol je přehledné a text logicky navazuje. Rozsah práce odpovídá požadavkům kladeným na bakalářské práce, i když bych ocenil rozsáhlejší a detailnější praktickou část. Po odborné stránce je práce na průměrné až podprůměrné úrovni. Student velmi často používá neodborné formulace nebo nesprávné technické termíny (např.: “Softmax se používá pro kvalifikační úlohy.”, apod.). Popis metod v teoretické části je často nesrozumitelný, neúplný nebo zcela chybný, což ukazuje studentovo nepochopení dané problematiky. Uváděné rovnice často nejsou dostatečně vysvětleny, chybí popis některých symbolů nebo jsou zcela chybné (např. Rov. 1.16, 1.17). V práci jsou zaměňovány matematické symboly pro násobení a konvoluci a také pojmy vektorové násobení a násobení prvek po prvku. Tabulky 4.1-3 by měly být uvedeny až v příloze práce. Mám také několik připomínek k praktickému provedení. V kapitole 4.2 je uvedeno, že pokud se v datech vyskytují chybějící hodnoty, tak byly nahrazeny nulami. Nemyslím si, že je to vzhledem k charakteru dat vhodné řešení (např. nahradit chybějící údaj o tepové frekvenci nulou). Postrádám také jakoukoliv informaci nebo snahu, jakkoliv optimalizovat hyperparametry navržených architektur. Jsou zde sice vyzkoušeny například různé počty vrstev LSTM sítě, ale proč student zvolil zrovna 300 neuronů v jedné vrstvě již nijak zdůvodněno není. Obdobně to platí i u sítě TCN s nejlepší úspěšností, kde ovšem vůbec nebylo testováno žádné jiné nastavení. Ocenil bych celkově detailnější vyhodnocení výsledků a rozsáhlejší diskusi. Student využíval relevantní zahraniční literaturu, kterou vhodně citoval. Výhrady mám jen k položkám [11] a [13], které pravděpodobně odkazují stejný zdroj, avšak s jinými autory, a zejména pak k položce [14], která nesplňuje požadavky citační normy a nelze tak zdroj jednoznačně dohledat. Vážně pochybuji, že student z této španělské literatury zabývající se zemědělstvím opravdu čerpal. Student úspěšně implementoval a otestoval několik variant metod strojového učení, které porovnal jak vzájemně, tak i s dalšími publikacemi. Všechny body zadání tedy lze považovat za splněné; s přihlédnutím k výše uvedeným nedostatkům hodnotím práci celkově stupněm C (70 bodů).
eVSKP id 135604