Tato diplomová práce se zabývá možnostmi Machine Learning v Microsoft Azure. V teoretické části práce je nahlédnuto do historie strojového učení v Microsoftu, popsány jsou praktické příklady využití strojového učení a součástí jsou i dvě případové studie využití Azure Machine Learning v praxi, z nichž jedna popisuje inteligentní řízení univerzitní budovy. V praktické části práce jsou názorně ukázány možnosti využití Azure Machine Learning na předpovědi hodnocení filmů.
Anotace v angličtině
This Master's thesis deals with the possibilities of Machine Learning in Microsoft Azure. In the theoretical part of the thesis is looked into the history of machine learning in Microsoft, described are specific examples of using machine learning and included are two case studies of the use of Azure Machine Learning in practice, one of which describes the intelligent management of a university building. In the practical part of the thesis are clearly presented how to use Azure Machine Learning predictions on movie ratings.
Klíčová slova
strojové učení, azure, microsoft, zpracování dat
Klíčová slova v angličtině
machine learning, azure, microsoft, data processing
Rozsah průvodní práce
73 s.
Jazyk
CZ
Anotace
Tato diplomová práce se zabývá možnostmi Machine Learning v Microsoft Azure. V teoretické části práce je nahlédnuto do historie strojového učení v Microsoftu, popsány jsou praktické příklady využití strojového učení a součástí jsou i dvě případové studie využití Azure Machine Learning v praxi, z nichž jedna popisuje inteligentní řízení univerzitní budovy. V praktické části práce jsou názorně ukázány možnosti využití Azure Machine Learning na předpovědi hodnocení filmů.
Anotace v angličtině
This Master's thesis deals with the possibilities of Machine Learning in Microsoft Azure. In the theoretical part of the thesis is looked into the history of machine learning in Microsoft, described are specific examples of using machine learning and included are two case studies of the use of Azure Machine Learning in practice, one of which describes the intelligent management of a university building. In the practical part of the thesis are clearly presented how to use Azure Machine Learning predictions on movie ratings.
Klíčová slova
strojové učení, azure, microsoft, zpracování dat
Klíčová slova v angličtině
machine learning, azure, microsoft, data processing
Zásady pro vypracování
Seznamte se s oblastí strojového učení (Machine Learning).
Vytvořte praktické návody použití nástroje Microsoft Azure v oblasti Machine Learning.
Navrhněte vhodnou strukturu dat a vhodná reálná data pro použití s Microsoft Azure.
Implementujte ukázkovou praktickou aplikaci.
Proveďte analýzu výsledného řešení.
Zásady pro vypracování
Seznamte se s oblastí strojového učení (Machine Learning).
Vytvořte praktické návody použití nástroje Microsoft Azure v oblasti Machine Learning.
Navrhněte vhodnou strukturu dat a vhodná reálná data pro použití s Microsoft Azure.
Implementujte ukázkovou praktickou aplikaci.
Proveďte analýzu výsledného řešení.
Seznam doporučené literatury
BARGA, Roger, Wee Hyong TOK a FONTAMA. Predictive Analytics with Microsoft Azure Machine Learning: Build and Deploy Actionable Solutions in Minutes. 1. vyd. English: Apress, 2014. ISBN 978-1484204467.
BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, c2006, xx, 738 s. ISBN 0-387-31073-8.
MITCHELL, Tom M. Machine learning. Boston: WCB/McGraw-Hill, c1997, xvii, 414 s. ISBN 0-07-042807-7.
ABU-MOSTAFA, Yaser S, Malik MAGDON-ISMAIL a Hsuan-Tien LIN. Learning from data: a short course. Pasadena, CA?: AML Book, c2012, xii, 201 s. ISBN 978-1-60049-006-4.
ALPAYDIN, Ethem. Introduction to machine learning. 2nd ed. Cambridge, Massachusetts: MIT Press, c2010, xl, 537 s. ISBN 978-0-262-01243-0.
Microsoft\symbol{39}s Cloud Platform: Azure \matsymb{lbrack}online\matsymb{rbrack}. Seattle, Dostupné z: http://azure.microsoft.com/en-us/
ŠENOVSKÝ, Pavel. Modelování rozhodovacích procesů, skripta, 2. vydání. Ostrava: Vysoká škola báňská Technická univerzita Ostrava, 2009.
BÍLA J.: Umělá inteligence a neuronové sítě v aplikacích, ČVUT, 1996, ISBN 80-01-01275-1.
Seznam doporučené literatury
BARGA, Roger, Wee Hyong TOK a FONTAMA. Predictive Analytics with Microsoft Azure Machine Learning: Build and Deploy Actionable Solutions in Minutes. 1. vyd. English: Apress, 2014. ISBN 978-1484204467.
BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, c2006, xx, 738 s. ISBN 0-387-31073-8.
MITCHELL, Tom M. Machine learning. Boston: WCB/McGraw-Hill, c1997, xvii, 414 s. ISBN 0-07-042807-7.
ABU-MOSTAFA, Yaser S, Malik MAGDON-ISMAIL a Hsuan-Tien LIN. Learning from data: a short course. Pasadena, CA?: AML Book, c2012, xii, 201 s. ISBN 978-1-60049-006-4.
ALPAYDIN, Ethem. Introduction to machine learning. 2nd ed. Cambridge, Massachusetts: MIT Press, c2010, xl, 537 s. ISBN 978-0-262-01243-0.
Microsoft\symbol{39}s Cloud Platform: Azure \matsymb{lbrack}online\matsymb{rbrack}. Seattle, Dostupné z: http://azure.microsoft.com/en-us/
ŠENOVSKÝ, Pavel. Modelování rozhodovacích procesů, skripta, 2. vydání. Ostrava: Vysoká škola báňská Technická univerzita Ostrava, 2009.
BÍLA J.: Umělá inteligence a neuronové sítě v aplikacích, ČVUT, 1996, ISBN 80-01-01275-1.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Diplomant odprezentoval před komisí hlavní cíle a výsledky své diplomové práce. Prezentace jako celek byla zpracována na velmi dobré úrovni, student dokázal vystihnout klíčové body práce. Následně byl student seznámen s posudky vedoucího a oponenta bakalářské práce. Diplomant postupně odpověděl na otázky oponenta práce.
Komise vznesla k obhajobě následující dotazy:
1) Prof. Pokorný: Jak jste na základě experimentálních dat zhodnotil výsledky metody?
2) Prof. Vašek: Jak by se v oboru automatického řízení aplikovaly výsledky vaší práce?
3) Doc. Černohorský: Do jaké míry je systém flexibilní vzhledem ke vstupu dat?
Na uvedené dotazy odpovídal student věcně a pohotově bez váhání.