but.committee	doc. RNDr. Pavel Smrž, Ph.D. (předseda) doc. Dr. Ing. Otto Fučík (místopředseda) doc. Mgr. Lukáš Holík, Ph.D. (člen) Ing. Igor Szőke, Ph.D. (člen) Ing. Vladimír Veselý, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm E. Otázky u obhajoby: Jakým způsobem je patrný výskyt anomálie (detekce) z výstupu programu (počty) a jak toto usnadní odhalení důvodů anomálie (problému) uživateli aplikace? Proč jste zvolil zrovna 15 jako konstantu, která se přičítá k odhadovanému počtu lístků? Co je anomálie? Jak používáte neuronové sítě? Je naměřená přesnost dostatečná pro praktické využití?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Trchalík, Roman	en
dc.contributor.author	Šurina, Timotej	en
dc.contributor.referee	Rychlý, Marek	en
dc.date.created	2019	cs
dc.description.abstract	Táto bakalárska práca sa zaoberá problematikou detekcie anomálií v časových radoch. Predstavuje metódy STL decomposition, ARIMA, Exponential Smoothing a LSTM Networks. Cieľom je pomocou týchto metód vytvoriť algoritmus, ktorý dokáže analyzovať trend v množstve generovaných záznamov o incidentoch a detekovať anomálie z trendu. Riešenie bolo vytvorené na základe dátovej sady poskytnutej firmou AT&T Global Network Services Czech Republic s.r.o. a implementované v programovacom jazyku Python.	en
dc.description.abstract	This bachelor thesis deals with the issue of time series anomaly detection. It presents methods STL decomposition, ARIMA, Exponential Smoothing and LSTM Networks. The aim is to use these methods to create an algorithm that can analyze the trend in a volume of generated incident tickets and detect anomalies form the trend. The solution was created based on a dataset provided by firm AT&T Global Network Services Czech Republic s.r.o. and implemented in the Python programming language.	cs
dc.description.mark	E	cs
dc.identifier.citation	ŠURINA, T. Detekce anomálií v množství generovaných záznamů o incidentech [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.	cs
dc.identifier.other	121890	cs
dc.identifier.uri	http://hdl.handle.net/11012/180581
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Anomália	en
dc.subject	detekcia anomálií	en
dc.subject	časové rady	en
dc.subject	strojové učenie	en
dc.subject	štatistické metódy	en
dc.subject	STL decomposition	en
dc.subject	ARIMA	en
dc.subject	Exponential Smoothing	en
dc.subject	LSTM Networks	en
dc.subject	tiket	en
dc.subject	Anomaly	cs
dc.subject	anomaly detection	cs
dc.subject	time series	cs
dc.subject	machine learning	cs
dc.subject	statistical methods	cs
dc.subject	STL decomposition	cs
dc.subject	ARIMA	cs
dc.subject	Exponential Smoothing	cs
dc.subject	LSTM Networks	cs
dc.subject	ticket	cs
dc.title	Detekce anomálií v množství generovaných záznamů o incidentech	en
dc.title.alternative	Anomaly Detection in Generated Incident Ticket Volumes	cs
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2019-06-10	cs
dcterms.modified	2019-09-02-09:04:31	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	121890	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:26:48	en
sync.item.modts	2025.01.15 21:42:38	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav informačních systémů	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Detekce anomálií v množství generovaných záznamů o incidentech

Files

Original bundle

Collections