PLUSKAL, T. Dlouhodobé prediktivní modelování nelineárních dynamických systémů pomocí rekurentních neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2023.

Posudek vedoucího

Kovář, Jiří

Zadáním bakalářské práce je dlouhodobé prediktivní modelování nelineárních dynamických systémů pomocí rekurentních neuronových sítí. Téma práce nepovažuji za lehké, pakliže má být zpracováno svědomitě. V tomto případě se student aktivně a pečlivě snažil prostudovat a pochopit poměrně velký objem informací, které jsou poměrně nesourodé. Velmi kladně hodnotím studentovu schopnost číst a interpretovat příslušné vědecké příspěvky. V praktické části student projevil nemalou schopnost se učit a vytvořený kód se tak dá považovat za dobrý základ pro jeho další využití, které bude o to snažší díky publikovaným výsledkům. Kladně hodnotím snahu studenta o porovnání svého snažení s dostupným softwarovým řešením. Toto porovnání bylo provedeno nad rámec zadání práce. Cíle práce považuji za splněné a i přes uvedené výtky práci hodnotím A / výborně.

Posudek oponenta

Kroupa, Jiří

Studentem předložená bakalářská práce pojednává o dlouhodobém prediktivním modelování nelineárních dynamických systémů pomocí rekurentních neuronových sítí (RNN). V první části se student věnuje rešerši dané problematiky, která obsahuje pár nepřesností, ale celkově je na velmi dobré úrovni. Jedná se například o tvrzení, že hluboký model musí obsahovat alespoň tři vrstvy, přičemž by měl obsahovat více než tři vrstvy apod. Druhá, praktická část práce pak obsahuje návrh vlastního SW řešení, analýzu dat a ověření přesnosti vytvořeného modelu. Ze zadání není úplně patrné, jestli se vlastním SW řešením myslí vlastní implementace neuronové sítě a metod nebo bylo plánováno využití knihoven jako TensorFlow, PyTorch apod. Student si nicméně zvolil vlastní implementaci. Tento přístup se mi zdá být vzhledem ke komplexnosti dané problematiky nad rámec požadavků kladených na bakalářskou práci. To se také potvrdilo při testování na reálných datech, kdy se student sám zmiňuje o problémech s konvergencí a výkoností navrženého řešení. I přes to ale student odvedl hodně práce a prokázal funkčnost navrženého řešení na zjednodušených datech. Vzhledem k výše uvedeným problémům je v práci dále použita knihovna TensorFlow, na základě které jsou provedeny výsledné predikce. K praktické části mám dvě výhrady. První je tvrzení „Testovací dataset je opomenut, jelikož uvedené modely nebudou v této podobě nikdy nasazeny v provozu“. Toto tvrzení neomlouvá opomenutí testovacího datasetu. Druhou výhradou je pak absence popisu jak postupovat aby byla zaručena dlouhodobá přesnost modelu. Vzhledem k názvu práce a charakteristice zadání bych rozbor takového problému v práci očekával. Po formální stránce mohly být některé části práce zpracovány lépe. U některých grafů nejsou uvedeny osy, UML diagram neobsahuje například parametry funkcí, k vysvětlení funkce skriptů mohl být použitý vývojový diagram apod. Logické uspořádání práce je celkově na dobré úrovni, ale i tak se zde nachází několik části, ke kterým mám výhrady. Jedná se například o kapitolu 2.2.5. kde jsou díky použití stejného tučného písma jednotlivé typy RNN vizuálně na stejné úrovni jako popis jejich bran což působí matoucím dojmem. I přes uvedené nedostatky se ale jedná a velmi dobrou práci kterou doporučuji k obhajobě.

eVSKP id 145804