but.committee	doc. RNDr. Jitka Kreslíková, CSc. (předseda) doc. Ing. Petr Matoušek, Ph.D., M.A. (místopředseda) Ing. Ondřej Lengál, Ph.D. (člen) RNDr. Marek Rychlý, Ph.D. (člen) Ing. Aleš Smrčka, Ph.D. (člen) prof. RNDr. Ing. Miloš Šeda, 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 otázku 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 A. Otázky u obhajoby: Mohl byste konkretizovat použité datové zdroje a způsob získání dat z těchto zdrojů po technické stránce?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Bartík, Vladimír	cs
dc.contributor.author	Haris, Daniel	cs
dc.contributor.referee	Burget, Radek	cs
dc.date.created	2018	cs
dc.description.abstract	Cieľom tejto práce je optimalizácia strojového učenia pre predikciu KPI metrík pre jednu organizáciu. Organizácia predpovedá oneskorenie termínov ukončenia poslednej fázy projektov v procese vývoja pomocou strojového učenia. Práca sa zameriava na analýzu predikčných modelov a stanoví si za cieľ vybrať nové kandidátne modely na predikciu. V rámci práce sme implementovali systém, ktorý automaticky vyberie najlepšie rysy pre učenie. Naučené modely sme vyhodnotili pomocou rôznych výkonnostných metrík a vybrali najlepšie kandidátne modely. Kandidátne modely majú vyššiu presnosť predpovede, čo pre organizáciu znamená, že sa zvýšila dôveryschopnosť predpovede oneskorenia. V závere práce sme navrhli ďalšie vylepšenia, ktoré by mohli zvýšiť presnosť predpovede.	cs
dc.description.abstract	This thesis aims to optimize the machine learning algorithms for predicting KPI metrics for an organization. The organization is predicting whether projects meet planned deadlines of the last phase of development process using machine learning. The work focuses on the analysis of prediction models and sets the goal of selecting new candidate models for the prediction system. We have implemented a system that automatically selects the best feature variables for learning. Trained models were evaluated by several performance metrics and the best candidates were chosen for the prediction. Candidate models achieved higher accuracy, which means, that the prediction system provides more reliable responses. We suggested other improvements that could increase the accuracy of the forecast.	en
dc.description.mark	A	cs
dc.identifier.citation	HARIS, D. Optimalizace strojového učení pro predikci KPI [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114834	cs
dc.identifier.uri	http://hdl.handle.net/11012/84905
dc.language.iso	cs	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	vývoj softvéru	cs
dc.subject	KPI	cs
dc.subject	NPI	cs
dc.subject	strojové učenie	cs
dc.subject	predspracovanie	cs
dc.subject	krížová validácia	cs
dc.subject	klasifikácia	cs
dc.subject	predikcia	cs
dc.subject	boosting	cs
dc.subject	support vector machines	cs
dc.subject	neurónové siete	cs
dc.subject	rozhodovací strom	cs
dc.subject	náhodný les	cs
dc.subject	naive bayes	cs
dc.subject	výkonnostné metriky	cs
dc.subject	ROC	cs
dc.subject	software development	en
dc.subject	KPI	en
dc.subject	NPI	en
dc.subject	machine learning	en
dc.subject	preprocessing	en
dc.subject	cross-validation	en
dc.subject	classification	en
dc.subject	prediction	en
dc.subject	boosting	en
dc.subject	neural networks	en
dc.subject	ensemble	en
dc.subject	boosting	en
dc.subject	support vector machines	en
dc.subject	decision tree	en
dc.subject	random forest	en
dc.subject	naive bayes	en
dc.subject	performance metrics	en
dc.subject	ROC	en
dc.title	Optimalizace strojového učení pro predikci KPI	cs
dc.title.alternative	Machine Learning Optimization of KPI Prediction	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2018-06-21	cs
dcterms.modified	2020-05-10-16:13:24	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114834	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:26:46	en
sync.item.modts	2025.01.15 21:22:46	en
thesis.discipline	Informační systémy	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav informačních systémů	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Optimalizace strojového učení pro predikci KPI

Files

Original bundle

Collections