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

Posudek vedoucího

Kovář, Jiří

Tématem bakalářské práce je dlouhodobé prediktivní modelování nelineárních dynamických systémů pomocí konvolučních neuronových sítí. Téma práce nepovažuji za lehké jak tématicky, tak i z důvodu nesourodosti dostupných informačních zdrojů. Student se aktivně snažil prostudovat a pochopit poměrně velký objem informací, nicméně v rešeršní části práce je patrná nesystematičnost tohoto snažení. Výsledná rešeršní část jen stěží poskytuje vhodné východisko pro praktickou část práce a to hlavně z toho důvodu, že obsahuje více problematických a zavádějících trvzení. Praktická část práce z hlediska programátorského není nejvyšší kvality. Hlavní chybou této části práce je ale dle mého nedostatečný popis postupů, principů a interpretace výsledků. Obojí pochybení přikládám tomu faktu, že student pracoval až příliš samostatně. I přes uvedené výtky pokládám cíle práce za splněné jen částečně a to z důvodu nedostatečného popisu. Přesto práci doporučuji k obhajobě s hodnocením D / uspokojivě.

Posudek oponenta

Kroupa, Jiří

Předložená bakalářská práce je zaměřena na dlouhodobé prediktivní modelování nelineárních dynamických systémů pomocí konvolučních neurnových sítí. Práce je členěna do 6 kapitol kde prvních pět obsahují rešerši dané problematiky a poslední kapitola pojednává o praktické realizaci. Rešeršní část práce není zpracována moc dobře. Zejména úvod rešerše je těžko čitelný a působí dojmem jako by student dané problematice nerozuměl a pouze bezmyšlenkovitě překládal přejatý text. Student se také snažil přeložit všechny pojmy do českého jazyka. I když se jedná o práci psanou v češtině doporučil bych alespoň uvést do závorky anglický název. Bohužel i některá do češtiny přejatá názvosloví jako „Reinforcement learning“ jsou přeložena dost netradičně jako „Posilovácí učení“ místo „Zpětnovazební učení“. O nepochopení problematiky svědčí i tvrzení ze strany 14, kde je uvedeno: „Uvažujme neuronovou síť složenou z jednoho neuronu. Tato síť disponuje alespoň dvěma vrstvami, které jsou pojmenovány jako vstupní a výstupní“. Přitom jen pár řádků pod tímto tvrzení student napsal: „Tento druh neuronové sítě je taktéž nazýván jako jednovrstvá neuronová síť nebo jako perceptron“. Takových nepřesností a zavádějících informací je v práci více. Na rešeršní část navazuje samotná realizace. K této části mám zásadní výhradu. Jedním z bodů zadání je návrh SW řešení, který ale není nikde popsán. Ve výsledku obsahuje poslední kapitola pouze použité prostředky, zvolené parametry modelu a jejich odůvodnění a výsledek predikce. Student nicméně alespoň přiložil vytvořený skript v jazyce Python do příloh práce. Ani praktická část práce ale není moc dobře popsána a například původ testovacího datového setu je nutné hledat v přiloženém skriptu. Jelikož se jedná o dlouhodobé prediktivní modelování, a i v zadání je zmínka o dlouhodobě přijatelné přesnosti modelu, očekával bych, že se bude student v práci zaobírat i touto tématikou. V práci však způsob řešení dlouhodobé přesnosti modelu chybí. Práci hodnotím jako dostatečnou a doporučuji k obhajobě za podmínky, že student zodpoví položené otázky a předvede znalost dané problematiky.

eVSKP id 145817