PODTESOV, D. Support vector machines: teorie, aplikace a softwarové implementace [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2023.

Posudek vedoucího

Kůdela, Jakub

Student se v práci zabýval metodou Support Vector Machine (SVM). V teoretické části podrobně popisuje odvození metody SVM. Dále provedl rešerši použití SVM v různých reálných aplikacích. V aplikační části pak porovnává implementace SVM v jazycích MATLAB, R a Python na zvoleném (a studentem vhodně upraveném) datasetu. Práci by se dala vytknout lehká nekoherentnost značení pojmů v teoretické části a ne vždy perfektní jazyková stránka textu. Další výtkou pak je, že vybrané implementace byly porovnány pouze na jednom datasetu. Takové rozšíření by určitě posunulo práci na ještě vyšší úroveň. Nicméně student pracoval samostatně a s komplexní a moderní tématikou si úspěšně poradil. Celkově práci doporučuji k obhajobě a hodnotím známkou B velmi dobře.

Posudek oponenta

Matoušek, Radomil

Práce obsahuje 33 str. textu, 15 referencí. Práce je dílem autora, Theses.cz byl na shodě 6.5%. Nejčastěji autor pracoval – odkazoval reference: [3] 10x, [5] 8x a [2] 7x. Předložená BP se zabývá metodou SVM a reflektuje tři cíle zadání. První dva cíle jsou dobře čitelné, třetí dává jistou volnost v interpretaci výsledku i zadání. Poznamenávám: že třetí cíl bych považoval za nejpřínosnější, a dále že technika SVM je vyučována až v NMS, tudíž její nastudování vyžadovalo vlastní invenci autora práce. Předložená BP je rozdělena do tří kapitol, které přímo reflektují cíle práce. V celé práci je poměrně dosti znát problém s jazykovou výbavou studenta a je otázkou proč neprovedl korekci českým korektorem (např. nabídka knihovny FSI) nebo nezvolil formu psaní v anglickém jazyce. Rovněž se zde drobně odráží primární neznalost tématu, které student musel nastudovat, v ohledu běžně zavedených a frekventovaných pojmů AI a ML (např. překlad curve fitting, reinforcement learning, slack proměnné, standardizace vs. normalizace – obr. 14) nebo vlastních tvrzení (např. že kompromis mezi exploration a exploitation je vlastní pouze RL, či při RL jsou jen odměny). K formálním nedostatkům bych ještě připojil nevhodné značení datových množin v obrázcích 5, 6, 7, pro černobílý tisk. Dále drobnosti: drobná nekonzistentnost značení eq. (6) – str. 25 – str. 26 eq. (10), „manipulace“ s pojmem margin (obr. 7, eq. (12)), v eq.(12) by se ve výčtu parametrů hodila čárka, rovněž v eq.(25) před „pro všechna i“. U tohoto typu práce by bylo pěkné mít neuvedené mezikroky uvedené (např. mezi eq.(26) a eq.(27)(28)). Poslední zásadní výtka je ke kapitole 2, která mne svou stručností a nízkým stupněm referencí nepotěšila (včetně reference a tabulky ze zdroje [10]), byť je psána relativně „úderným“ způsobem. V kap. 3 bych přivítal více informací ke knihovnám a jejich parametrizaci bych prezentoval edukativnějším způsobem. Čtenář se sice dozví, co potřebuje, ale v součinnosti s přílohou a dokumentací ke knihovnám. Prezentovanou formu ROC křivek jako dokumentaci výkonu nepovažuji za přínosnou, matici změn, resp. přesnost ano, bohužel zde není vždy uvedeno (možné) nastavení SVM, resp. se musí hledat částečně v programu a dokumentaci. Tato kapitola mohla být zjevně mnohem přínosnější, kdyby např.: byla rozšířena o testy na dalších „etalonových“ datasetech, např. Iris dataset, MNIST; byla prezentována například závislost přesnosti na parametru C, gama, či jádrové funkci, a rychlost byla vyjádřena jako speed-up. Přes uvedené výtky, hodnotím předloženou práci na hladině bakalářská práce jako dobrou až velmi dobrou s velmi dobrým grafickým zpracováním a logickou strukturou. Osobně mi přijde potenciál studenta jako lehce nevyužitý, kde v kapitole třetí student jasně prokázán své možnosti a v kapitole první pochopení problematiky, kterou musel kompletně nastudovat.

eVSKP id 149570