Browsing by Author "Trdla, Tomáš"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Automatická analýza archivů dat kvality elektrické energie
    Trdla, Tomáš
    Práce se zabývá řešením aplikace pro automatickou analýzu elektrických veličin na základě statistického rozdělení pravděpodobnosti. Aplikace byla vytvořena za pomoci jazyka C#, .NET prostředí a MATLAB. K realizaci bylo využito programovací prostředí Microsoft Visual Studio Community 2015. Výsledkem je aplikace, která načítá uživatelem zvolené soubory typu CSV a uživatelem vybrané veličiny a analyzuje jejich statistické rozdělení pravděpodobnosti v různých časových intervalech. V experimentální a testovací části jsou aplikací otestovány reálně naměřená data na intervalech od 1 s až po 1 h a jsou zde popsány některé výsledky těchto testů.
  • Thumbnail Image
    Item
    Využití strojového učení pro odhad křivek přežití
    (2019-10-9) Trdla, Tomáš; Paleček Karel, Ing. Ph.D. : 61120
    Tato práce se zabývá implementací a porovnáním vybraných algoritmů umělé inteligence na odhad křivek přežití. Výchozím modelem je nejpoužívanější Coxův model proporcionálních rizik, jehož nedostatek v podobě lineárních vztahů mezi kovariáty je základem úvah pro průzkum schopností a kvality nelineárních modelů z AI oblasti. Jako hodnotící kritéria jsou použity různé metody a přístupy, které dohromady dávají ucelenou představu o kvalitě modelu. Pro každý model je implementována metoda na popis vlivu vstupních proměnných na výsledné riziko selhání, aby byla zachována možnost zjištění tohoto vlivu, jako tomu je u Coxova modelu proporcionálních rizik. Veškeré testy jsou prováděny na reálných anonymizovaných datech z oddělení transplantací na Ústavu krevní hematologie a transfuze v Praze, kromě porovnání vlivu velikosti učícího datasetu, pro který bylo využito většího objemu dat. Kvůli povaze dat je k práci přistupováno i ze zdravotnického hlediska. Vzhledem k realistickému přístupu byl vytvořen vlastní preprocessor, který zohledňuje a řeší, že v reálných datech téměř vždy chybí některé údaje. Modely jsou otestovány na několika specifických cílech, které mohou být podstatné pro vývoj průběhu léčby. Výsledky prokazují rozdílnou kvalitu modelů na zkoumaných časech přežití a ovlivnění dané kvality velikostí učícího datasetu. Zároveň dokazují, že modely AI jsou schopny dosáhnout přesnějších výsledků než CoxPH model, avšak liší se při rozdílných cílech a datasetech, proto položily základ myšlence ensemble modelu, která je v této práci teoreticky popsána jako další možné řešení a výzkum.