Tato magisterská práce se zabývá aplikací technik umělé inteligence, konkrétně Restricted
Boltzman Machine (RBM) a Recurrent Neural Network (RNN), k analýze dat o prodeji a
výrobě automobilů. Recurrent Neural Network se zaměřuje na analýzu časových řad pro
předpovídání prodejních trendů. Naproti tomu se Restricted Boltzman Machine zaměřuje na
predikci nárůstu prodeje na základě vzorku na základě údajů specifických pro jednotlivé
země. Cílem studie je poskytnout cenné poznatky, testování různých konfigurací pro modely, a ukázat možné zlepšení rozhodování v automobilovém průmyslu pomocí těchto modelů umělé inteligence.
Anotace v angličtině
This master thesis explores the application of artificial intelligence techniques, specifically
Restricted Boltzman Machine (RBM) and Recurrent Neural Network (RNN), to analyse automotive sales and production data. Recurrent Neural Network focuses on time-series analysis for forecasting sales trends. In contrast, Restricted Boltzman Machine focuses on sample-based prediction of sales increases based on country-specific data. The study aims to
provide valuable insights and improve decision-making in the automotive industry using
these AI models.
Tato magisterská práce se zabývá aplikací technik umělé inteligence, konkrétně Restricted
Boltzman Machine (RBM) a Recurrent Neural Network (RNN), k analýze dat o prodeji a
výrobě automobilů. Recurrent Neural Network se zaměřuje na analýzu časových řad pro
předpovídání prodejních trendů. Naproti tomu se Restricted Boltzman Machine zaměřuje na
predikci nárůstu prodeje na základě vzorku na základě údajů specifických pro jednotlivé
země. Cílem studie je poskytnout cenné poznatky, testování různých konfigurací pro modely, a ukázat možné zlepšení rozhodování v automobilovém průmyslu pomocí těchto modelů umělé inteligence.
Anotace v angličtině
This master thesis explores the application of artificial intelligence techniques, specifically
Restricted Boltzman Machine (RBM) and Recurrent Neural Network (RNN), to analyse automotive sales and production data. Recurrent Neural Network focuses on time-series analysis for forecasting sales trends. In contrast, Restricted Boltzman Machine focuses on sample-based prediction of sales increases based on country-specific data. The study aims to
provide valuable insights and improve decision-making in the automotive industry using
these AI models.
Identifikujte potřebná vstupní data, proveďte jejich předzpracování a vytvořte datasety.
Zvolte vhodné metody z oblasti umělé inteligence a implementujte je.
Proveďte trénování a validaci na vybraných datasetech.
Analyzujte dosažené výsledky s ohledem na přesnost, rychlost, obtížnost implementace a případně pro různorodé scénáře.
Zásady pro vypracování
Vypracujte literární rešerši na dané téma.
Identifikujte potřebná vstupní data, proveďte jejich předzpracování a vytvořte datasety.
Zvolte vhodné metody z oblasti umělé inteligence a implementujte je.
Proveďte trénování a validaci na vybraných datasetech.
Analyzujte dosažené výsledky s ohledem na přesnost, rychlost, obtížnost implementace a případně pro různorodé scénáře.
Seznam doporučené literatury
RAY, Ruchira, Prakhar KHANDELWAL a B. BARANIDHARAN. A Survey on Stock Market Prediction using Artificial Intelligence Techniques. In: 2018 International Conference on Smart Systems and Inventive Technology (ICSSIT) [online]. IEEE, 2018, 2018, s. 594-598 [cit. 2022-11-30]. ISBN 978-1-5386-5873-4. Dostupné z: doi:10.1109/ICSSIT.2018.8748680
ARULKUMARAN, Kai, Marc Peter DEISENROTH, Miles BRUNDAGE a Anil Anthony BHARATH. Deep Reinforcement Learning: A Brief Survey. IEEE Signal Processing Magazine [online]. 2017, 34(6), 26-38 [cit. 2022-12-02]. ISSN 1053-5888. Dostupné z: doi:10.1109/MSP.2017.2743240
HOLZINGER, Andreas, Anna SARANTI, Christoph MOLNAR, Przemyslaw BIECEK a Wojciech SAMEK. Explainable AI Methods - A Brief Overview. In: HOLZINGER, Andreas, Randy GOEBEL, Ruth FONG, Taesup MOON, Klaus-Robert MÜLLER a Wojciech SAMEK, ed. XxAI - Beyond Explainable AI [online]. Cham: Springer International Publishing, 2022, 2022-04-17, s. 13-38 [cit. 2022-12-02]. Lecture Notes in Computer Science. ISBN 978-3-031-04082-5. Dostupné z: doi:10.1007/978-3-031-04083-2_2
LIAKOS, Konstantinos, Patrizia BUSATO, Dimitrios MOSHOU, Simon PEARSON a Dionysis BOCHTIS. Machine Learning in Agriculture: A Review. Sensors [online]. 2018, 18(8) [cit. 2022-12-02]. ISSN 1424-8220. Dostupné z: doi:10.3390/s18082674
NTI, Isaac Kofi, Adebayo Felix ADEKOYA a Benjamin Asubam WEYORI. A systematic review of fundamental and technical analysis of stock market predictions. Artificial Intelligence Review [online]. 2020, 53(4), 3007-3057 [cit. 2022-12-02]. ISSN 0269-2821.
Seznam doporučené literatury
RAY, Ruchira, Prakhar KHANDELWAL a B. BARANIDHARAN. A Survey on Stock Market Prediction using Artificial Intelligence Techniques. In: 2018 International Conference on Smart Systems and Inventive Technology (ICSSIT) [online]. IEEE, 2018, 2018, s. 594-598 [cit. 2022-11-30]. ISBN 978-1-5386-5873-4. Dostupné z: doi:10.1109/ICSSIT.2018.8748680
ARULKUMARAN, Kai, Marc Peter DEISENROTH, Miles BRUNDAGE a Anil Anthony BHARATH. Deep Reinforcement Learning: A Brief Survey. IEEE Signal Processing Magazine [online]. 2017, 34(6), 26-38 [cit. 2022-12-02]. ISSN 1053-5888. Dostupné z: doi:10.1109/MSP.2017.2743240
HOLZINGER, Andreas, Anna SARANTI, Christoph MOLNAR, Przemyslaw BIECEK a Wojciech SAMEK. Explainable AI Methods - A Brief Overview. In: HOLZINGER, Andreas, Randy GOEBEL, Ruth FONG, Taesup MOON, Klaus-Robert MÜLLER a Wojciech SAMEK, ed. XxAI - Beyond Explainable AI [online]. Cham: Springer International Publishing, 2022, 2022-04-17, s. 13-38 [cit. 2022-12-02]. Lecture Notes in Computer Science. ISBN 978-3-031-04082-5. Dostupné z: doi:10.1007/978-3-031-04083-2_2
LIAKOS, Konstantinos, Patrizia BUSATO, Dimitrios MOSHOU, Simon PEARSON a Dionysis BOCHTIS. Machine Learning in Agriculture: A Review. Sensors [online]. 2018, 18(8) [cit. 2022-12-02]. ISSN 1424-8220. Dostupné z: doi:10.3390/s18082674
NTI, Isaac Kofi, Adebayo Felix ADEKOYA a Benjamin Asubam WEYORI. A systematic review of fundamental and technical analysis of stock market predictions. Artificial Intelligence Review [online]. 2020, 53(4), 3007-3057 [cit. 2022-12-02]. ISSN 0269-2821.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Studentka seznámila komisi s výsledky své diplomové práce. Poté byly přečteny posudky vedoucího a oponenta a následně byla vedena rozprava, během které byly položeny následující dotazy a komentáře:
Zajímavý "vedlejším" přínos práce je vytvoření množství specifických datasetů, které zcela určitě v budoucnu mohou posloužit komunitě AI/ML. Zajímavou byla i volba 2 různých predikčních AI/ML technik, které vyžadují zcela jiný přístup k nastaveni, datům a zejména interpretaci výsledků. (prof. Šenkeřík)
1. V kapitole 1.3. uvádíte důvod pro výběr konkrétních metod využitých v praktické části. Zajímalo by mě, proč jste volila jenom RNN a RBM, i když je zřejmé, že se pro tyto účely mohou hodit i další metody a komparační studii výsledků by to podle mého názoru zkvalitnilo?
2. Jaké konkrétní výzvy a obtíže jste museli překonat při shromažďování a předzpracování dat pro modely RBM a RNN a jaký byl jejich dopad na výsledky vaší práce?
3. Můžete uvést konkrétní příklady z vašeho výzkumu, jak se vám práce s modely RBM a RNN osvědčila? (doc. Kotyrba)
V prezentaci jste měla data s různou granulovitou. Zvažovala jste interpolaci dat s nižši granualitou? (dr. Janků)
Studentka pohotově reagovala a všechny otázky správně zodpověděla.