ZAPLETAL, O. Srovnání správnosti klasifikace pomocí tradičních modelů a meta-modelů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2014.
Student Ondřej Zapletal přistoupil k řešení bakalářské práce zodpovědně. Od počátku pravidelně na konzultacích prezentoval dosažené výsledky a navrhoval další postup řešení. Samostatně vyhledával a studoval odbornou literaturu s problematikou související. Prováděné experimenty byly díky svému rozsahu náročné jak na čas, tak na zpracování velkého množství dílčích výsledků. Student prokázal bakalářské schopnosti, práci hodnotím 94 bodů, A.
Úkolem studenta bylo seznámit se tradičními a meta-modely používanými při klasifikačních úlohách. Na základě získaných znalostí by měl zpracovat rešerši. Pro srovnání tradičních modelů a meta-modelů by měly být navrženy experimenty s využitím vhodných databází. Navržené experimenty by měly být provedeny a vyhodnoceny. Vybraný model by měl být naprogramován a jeho funkčnost ověřena srovnáním výsledků s modelem v RapidMineru. V první kapitole se student zabývá definicí klasifikačních úloh a rešerší tradičního a ensemble přístupu k tvorbě modelů. Součástí této kapitoly je vysvětlení terminologie použité v celé práci.Ve druhé kapitole je rešerše běžně používaných tradičních modelů. Tato kapitola je celkově na velmi dobré úrovni jak po typografické, tak po odborné stránce. Ve třetí kapitole popisuje běžně používané metody meta-learningu. Ve čtvrté kapitole jsou stručně popsány možnosti jak vyhodnocovat přesnost modelu. V páté kapitole je popsán vlastní návrh a realizace experimentů. Je zde popsán výběr tradičních a meta-modelů použitých v experimentu. Dále je zde popsán výběr databází dat použitých v experimentu. Pro určení významnosti rozdílů mezi výsledky jednotlivých modelů je použit Wilcoxon Signed Rank test. Výsledky tohoto testu jsou přehledně zpracovány v tabulkách. Na závěr této kapitoly je popsána vlastní implementace vybraných modelů. V šesté kapitole jsou vyhodnoceny dosažené výsledky všech metod na všech datových souborech (12 modelů na 20 datových souborech). Dále jsou zde vyhodnoceny rozdíly metody implementované studentem jejich ekvivalenty v RapidMineru, významné rozdíly jsou zdůvodněny. Tabulku 7 by bylo vhodné doplnit o krabicový graf pro srovnání stability metod. Výsledky Wilcoxon Signed Rank testu z předchozí kapitoly by bylo vhodné přesunout do této kapitoly. Celá práce je logicky členěná a na dobré typografické i odborné úrovni. Velice oceňuji zpracování rešeršní části práce v kapitolách 1-4, kterou je možné bez obav doporučit jako vhodný materiál pro rychlé seznámení s klasifikačními metodami a meta-learningem. Vlastní provedení experimentů je také bezproblémové. V rámci práce byly v jazyku C# implementovány některé z modelů. Některé z těchto modelů podávají jiné výsledky než jejich ekvivalenty v prostředí RapidMiner. Tyto rozdíly jsou však v práci zdůvodněny. Práce nepochybně dokazuje bakalářské schopnosti studenta a doporučuji ji k obhajobě s hodnocením "A/Výborně".
eVSKP id 73273