VRANÝ, J. Identifikace projevů responzivní složky elektrodermální aktivity [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Student vypracoval diplomovou práci na téma Identifikace projevů responzivní složky elektrodermální aktivity. Tuto práci v průběhu semestru nekonzultoval, ale v poděkování uvádí několik osob, se kterými své dílčí postupy procházel. Jeho aktivitu během semestru ani během práce tedy nemohu posoudit. V textové části uvádí teorii k měření elektrodermální aktivity, jaké projevy se v měřené křivce identifikují a zaměřuje se na algoritmy, které lze pro tento účel použít. Pro praktickou realizaci obdržel z UBMI databázi signálů, které anotoval a použil pro trénování a testování navržených modelů. Výběr modelů na základě rešerše v práci uvedl. Postup učení velmi podrobně popsal. Testování je uvedeno krátce. Diskuze je však podrobná. Práce obsahuje vypracování všech bodů zadání. Místy je práce nevyvážená a občasná konzultace mohla studentovi pomoci. Práci hodnotím stupněm dostatečně, E/55 bodů.
Student se ve své práci zabývá rozpoznání responzivní složky v signálu elektrodermální aktivity pomocí 1D konvoluční neuronové sítě. Teorie práce obsahuje mnohé nepřesnosti a často student převezme z původních zdrojů formulace, které v kontextu práce nedávají smysl, neboť zde nejsou zavedené použité pojmy. Oceňuji studentovu snahu vytvořit rešerši metod na dané téma na základě odborných článků, avšak tento rozsáhlý popis v kapitole 1.3 je často nepřesný a bez zavedení potřebných pojmů zcela nepochopitelný pro čtenáře. Postrádám zde rešerši metod využívajících hluboké učení, což bych pro danou práci považoval za stěžejní. Teoretický popis hlubokého učení je nevhodně zakomponován do praktické části práce, kde obsahuje řadu chyb, nesmyslných formulací a využívá nezavedených pojmů, což komplikuje pochopení velké části textu. Za chybné považuji také rozdělení neuronových sítí na „konvoluční“ a „incepční“. Student sice v práci cituje dostatečné množství zdrojů, avšak mnoho zdrojů je nevhodných (neověřené informace z webových stránek) nebo informace v daném zdroji nejde dohledat (např. u zdrojů [1-5] jsem citovaný obrázek nebo informaci v daném zdroji nenalezl). Zdroje [28-46] pak v práci vůbec citovány nejsou. V práci je využito mnoho nekvalitních a nepřeložených převzatých obrázků. Popis většiny obrázků je nedostatečný a na řadu obrázků není v textu odkazováno. Většina vlastních obrázků je také nekvalitních, kde grafy mají často nečitelné nebo nedostatečně popsané osy. Student v práci vůbec nezavádí většinu zkratek a využívá mnoho nevhodných anglicismů (např. featurů, patterny, konfuzní matice) a špatně přeložených výrazů (loss - ztrátovost, precision - precize). Několikrát se v práci objevuje nefunkční odkaz s textem „Chyba! Nenalezen zdroj odkazů.“. Praktickou část nepovažuji za dostatečnou, kde student pouze využil nejjednodušší možnou konvoluční neuronovou síť a otestoval změnu všech hyperparametrů, které Keras umožnil. Za zcela zbytečnou pak považuji část 2.4.1, kde informace z těchto tabulek (jaké nastavení bylo vyzkoušeno) je zřejmá i z výsledkových tabulek v kapitole 2.5. Vložené obrázky struktur modelů považuji za nevhodné, kde čtenář bez potřebného popisu nezná význam jednotlivých čísel a nezajímá ho autorovo pojmenování jednotlivých vrstev. U optimalizace nastavení regularizace se projevuje výrazná neznalost autora, kdy nenastavil váhu této regularizace ani poté, co mu vycházely úplně špatné výsledky. Další závažný problém pak vidím v nerozšíření prostoru prohledávaných hodnot daného parametru pokud optimální hodnota odpovídala krajní hodnotě zvoleného rozsahu a pravděpodobně by další zvýšení/snížení této hodnoty vedlo k dalšímu zlepšení. Za zásadní nedostatek pak považuji chybu, kvůli které Accuracy, Precision a Recall nabývají stejné hodnoty ve všech tabulkách v práci. Autor tato chybná čísla spokojeně vložil do práce a ještě se k této chybě drze přiznává v diskuzi, kde svádí vinu na „technickou limitaci chybných dll knihoven pro programové balíčky Keras a Scikitlearn“. Student magisterského studia by si měl zcela jistě umět tyto hodnoty dopočítat, i kdyby byla opravdu chyba v těchto knihovnách. Tato chyba svědčí o pouhém slepém využití knihovny Keras bez větší známky pochopení dané problematiky a také znedůvěryhodňuje veškeré výsledky uváděné autorem. Dalším zásadním problémem je, že autor (dle zdrojových kódů) využívá pro trénování i testování sítě stejná data a veškeré výsledky tak musíme považovat za výrazně zkreslené a nelze z nich usuzovat reálnou funkčnost modelu. Dalším problematickým aspektem je, že označení dat pro učení modelu proběhlo jednoduchou aplikací detektoru píků namísto manuálního označení. Smysluplnost učení takového modelu se tak vytrácí, neboť by šel nahradit tímto detektorem píků. Celkově pak úspěšnost sítě považuji za poměrně nízkou, což bude pravděpodobně nevhodně zvolenou architekturou, která je velmi mělká (1 konvoluční vrstva). Kladně ale hodnotím dohledatelnost vytvořených výsledků ve zdrojovém kódu a systematičnost testování. Vzhledem k uvedeným nedostatkům je dle mého názoru práce na hranici akceptovatelnosti a hodnotím stupněm E – 50 bodů.
eVSKP id 139020