MÜLLER, J. Klasifikace denních aktivit [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Student Jakub Müller se zabýval klasifikací denních aktivit. V teoretické části práce student popisuje znalosti nutné k vypracování praktické práce včetně v zadání požadované rešerše veřejně dostupných databází vhodných pro testování algoritmů klasifikujících aktivity. Postrádám podrobnější rešerši v oblasti automatické klasifikace denních aktivit, čemuž odpovídá také malý počet citovaných odborných zdrojů. V praktické části práce student realizoval algoritmus pro extrakci 11 příznaků a dále student navrhl modely strojového učení pro klasifikaci denní aktivit. Student nezávisle použil dva typy modelů – neuronovou síť a SVM. V textu jsou uvedeny optimalizované parametry navržené neuronové sítě, ale není dokumentováno, jak byly tyto parametry zvoleny. Model SVM nebyl nijak optimalizován a byl použit v základním nastavení. Student dosáhl velmi dobrých výsledků na testovacích sadách databází, na kterých byl model učen. Při testování na jiných databázích jsou ovšem modely nefunkční. Student v teoretické části uvádí rozdíly mezi daty v jednotlivých databázích v přehledných tabulkách, v praktické části není zřejmé, jestli data předzpracoval takovým způsobem, aby eliminoval vliv těchto rozdílů. Po formální a jazykové stránce je práce na průměrné úrovni. Vytknout lze nejednotný styl citací, absence odkazů na některé obrázky v textu a také gramatické chyby. Práci doporučuji k obhajobě a navrhuji známku C, 75 bodů.
Bakalářská práce se zabývá tématem klasifikace denních aktivit na základě měřeného akcelerometrického signálu. Teoretická část práce je popsána asi na 20 stranách a zahrnuje obecnější úvod, dále popis databází vhodných pro klasifikaci denních aktivit na základě akcelerometrických dat a některé klasifikační přístupy. Z mého pohledu zde chybí rešerše již publikovaných algoritmů a metod pro klasifikaci aktivit. Praktická část práce je popsána asi na 14 stranách. Zahrnuje popis měření vlastních dat, jejich předzpracování, extrakci vybraných příznaků a klasifikaci. Dále se zde nachází kapitola optimalizace a diskuse výsledků včetně porovnání úspěšností klasifikace mezi různými databázemi a srovnání s jednou publikovanou metodou. Kapitola Optimalizace (jeden z bodů zadání) je velice slabá. V podstatě je zde jen napsáno, že došlo ke změně tří parametrů a zlepšilo to výsledky klasifikace. Student pouze změnil parametry použitého klasifikátoru bez jakékoli snahy optimalizace extrahovaných příznaků. V práci dále postrádám analýzu použitých příznaků například graficky v podobě boxplotů. Navržený klasifikátor dále vykazuje podstatně menší úspěšnost, pokud se testuje na jiném datasetu než probíhalo trénování (Tab. 6.3). To může naznačovat buďto přetrénování modelu nebo student opomenul prohodit orientaci os tak, aby byla orientace napříč databázemi konzistentní. K formální stránce práce nemám větších výhrad. Nicméně některé pasáže vypadají jako plýtvání papírem. Konkrétně se jedná o stránku 14 a obrázky 2.1 a 2.5. Nicméně i přes moje výtky je zadání práce splněno a doporučuji ji k obhajobě.
eVSKP id 134363