ŠVESTKOVÁ, T. Meta-heuristické algoritmy pro výběr příznaků v klasifikaci srdečních onemocnění [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Předložená práce se zabývá využitím evolučních algoritmů pro úlohu selekce příznaků pro klasifikační úlohy. Práce má logickou strukturu, je členěna do sedmi kapitol na 48 stranách. V rámci teoretického úvodu je popsán obecný postup klasifikační úlohy a zmíněny jsou také běžné metody pro selekci příznaků. Třetí kapitola se věnuje samotným evolučním algoritmům. Oceňuji rozsah této kapitoly a použití aktuálních algoritmů - např. Papouščí algoritmus je publikován v letošním roce. Ačkoli se nejedná o úplný výčet evolučních algoritmů (ten by byl nemožný), může tato kapitola posloužit i jako základ pro výuku v předmětu Evoluční algoritmy. Praktická část práce je založena na zpracování tří datových sad, které obsahují data pacientů se srdečními onemocněními. U všech tří sad je provedeno předzpracování a základní klasifikace běžnými postupy. Následně jsou data zpracována s využitím pěti evolučních algoritmů pro selekci příznaků (binární úloha výběru konkrétního příznaku). Oceňuji pečlivost testování všech algoritmů, kdy je provedena diskuze počtu jedinců, počtu iterací a dílčích parametrů algoritmů. Na základě této diskuze je pro jednotlivé datové sady vybrána nejvhodnější varianta algoritmu. Na závěr jsou dosažené výsledky srovnány s literaturou a nutno říci, že postup studentky dosahuje alespoň srovnatelných výsledků. Studentka pracovala aktivně během celého roku a pravidelně využívala konzultace. Kladně oceňuji implementaci i méně běžných evolučních algoritmů a následnou diskuzi. Práce cituje 85 položek literatury, především v oblasti jednotlivých evolučních algoritmů se jedná o poctivou rešerši. Výslednou práci doporučuji k obhajobě a hodnotím ji známkou výborně (A – 92 bodů).
Předložená práce se zabývá tématem klasifikace a redukce příznaků s využitím optimalizace pomocí tzv. meta-heuristických algoritmů. V úvodní části práce studentka popisuje základní principy používaných klasifikátorů a běžné metody výběru příznaků. Přičemž, dále již podrobněji popisuje různé typy meta-heuristických optimalizačních přístupů. Uvedený přehled je podrobný a jednotlivé algoritmy jsou přehledně popsány. U algoritmů inspirovaných fyzikálními procesy (kapitola 3.3.) studentka teoreticky popsala pouze jednoho zástupce. Očekával bych popis ještě i jiných metod zmíněných v přehledovém obrázku 3.1. Kapitola 3.3. tak působí, oproti předešlým kapitolám, svým obsahem textu nevyváženě. V praktické části studentka popisuje 3 volně dostupné datasety příznaků sledujících různá srdeční onemocnění. Zde oceňuji, že studentka stažená data jen slepě nepoužila, ale že se zabývala i analýzou statistického rozložení dat a jejich vhodnou úpravou a normalizací. Pro selekci příznaků studentka implementovala 5 vybraných algoritmů. Jedná se však pouze o algoritmy inspirované inteligencí rojů. Je škoda, že nebyly implementovány a odzkoušeny i jiné metody z řad evolučních algoritmů nebo algoritmů inspirovaných fyzikálními procesy. Kladně hodnotím rozsah citované literatury. Práce obsahuje 85 literárních zdrojů. Rovněž oceňuji přímé srovnání výsledků s jinými autory na použitých databázích. Po formální stránce je práce na dobré úrovni. Kapitoly jsou dobře strukturované a text obsahuje minimum překlepů. Některé obrázky však mohly být prezentovány ve vyšším rozlišení. U prezentovaných matematických výrazů bych očekával uvedení citace přímo u dané rovnice či vztahu. Z práce je patrné, že si studentka musela nastudovat poměrně rozsáhlou problematiku. Vybrané algoritmy implementovala v programovacím jazyce Python a otestovala na rozsáhlém souboru dat. Zadání práce považuji za splněné a práci hodnotím známkou A/90 bodů.
eVSKP id 159766