Prihlásenie

Žijeme v dobe dátovej. Dáta sú dnes skutočne všade a stávajú sa čoraz dôležitejšie. Znalosti získané dát prinášajú extra hodnotu. Podniky, inštitúcie a organizácie po celom svete si uvedomujú obrovský potenciál dát podniky a snažia sa získať konkurenčnú výhodu z dát. Veľké spoločnosti ako Google, Facebook či IBM každoročne investujú miliardy dolárov do dátovej analytiky. Uvedomujú si, že ignorancia dát v procese riadenia môže byť fatálna. Uvedomujú si, že dáta sú kľúčom k úspechu ich firiem. Rovnako zmýšľajú aj iné, menšie firmy, ktoré vidia v dátach veľké aktívum. Firmy sa preto snažia tieto dáta zbierať a následne analyzovať a modelovať. Cieľom je získať konkurenčnú výhodu z dát, vďaka ktorej sa odpútajú od konkurencie. Fakulta riadenia a informatiky by v tomto aspekte nemala ostať pozadu. Cieľom tohto projektu je využiť obrovský potenciál dát pre účely zlepšenia FRI v rôznych hľadiskách.

V tomto inžinierskom projekte sa študenti sústredia na aplikáciu poznatkov dátovej analytiky a strojového učenia pre účely našej fakulty. V súčasnej dobe, s rozvojom strojového učenia, neurónových sietí, predikčných modelov a iných prostriedkov umelej inteligencie čoraz viac firiem a inštitúcií zameriava svoju pozornosť práve na využitie dát pre optimalizáciu riadenia. Dáta predstavujú obrovský potenciál pre podniky či inštitúcie. Avšak, len malé percento firiem vie ako tieto dáta využiť. Súvisí to s komplexnosťou dát a obťažnosťou ich systematického praktického využitia.

Cieľ projektu

Cieľom tohto projektu je navrhnúť a implementovať riešenia pre systematické využitie dát za účelom zlepšenia jednotlivých procesov na FRI. Uvedené riešenia bude realizované prostredníctvom štatistickej analýzy dát, resp. supervizovaného a nesupervizovaného strojového učenia. V rámci štatistickej analýzy dát budú implementované rôzne typy dátových analýz ako je deskriptívna analýza dát, exploratórna analýza dát či konfirmačná analýza pre generalizácie záverov. V prípade predikčných modelov budú využívané viaceré dnes používané modely. Takisto, projekt má za cieľ oboznámiť študentov s modelmi neurónových sietí, ktoré sú dnes azda najpoužívanejšími modelmi v oblasti strojového učenia. Študenti sa postupne oboznámia s teóriou neurónových sietí ako aj ich praktickou implementáciou. Umelé neurónové siete sú dnes extrémne populárna vetva strojového učenia. Dôvodom, prečo sa projekt bude zaoberať práve neurónovými sieťami, je viacero. Jedným z nich je fakt, že neurónové siete môžu byť aplikované na široké spektrum problémov zahŕňajúc klasifikáciu, regresiu či nesupervizované učenie. Ďalším dôvodom je fakt, že sú schopné modelovať nelinearitu v dátach. Nakoniec neurónové siete majú schopnosť generalizácie. V prípade aplikácie predikčných modelov sa študenti budú zaoberať tvorbou hlbokých neurónových sietí, ktoré by boli schopné riešiť vybrané problémy (klasifikačné/regresné) efektívne. Samotná implementácia neurónových sietí sa bude realizovať v programovacom jazyku Python s využitím frameworkov pre hlboké učenie. Pre čo možno najvyššiu mieru objektívnosti výsledkov budú predikčné modely validované na ex-post množine. Čiastkové ciele projektu sú

• osvojiť si znalosti dátovej analytiky a strojového učenia
• získať znalosti z teórie neurónových sietí
• osvojiť si prácu s Pythonom, resp. jeho frameworkami pre hlboké učenie
• vedieť využiť hlboké neurónové siete pre predikčné účely v praxi
• využiť potenciál dát pre účely zlepšenia FRI
• navrhnúť a implementovať efektívne modely pre účely FRI

Možné oblasti riešenia počas projektu:

1. Zvýšenie miery úspešnosti študentov na FRI s využitím dát
2. Modelovanie pravdepodobnosti prestupov FRIčkárov na inú fakultu po bakalárskom štúdiu
3. Štatistické modelovanie ako nástroj prijímania študentov na FRI
4. Predikcia neúspešnosti študentov 1. ročníka vo vybraných predmetoch na FRI
5. Modelovanie spokojnosti so štúdiom
6. Automatické prideľovanie predmetu študentovi na základe predikcie o úspešnom absolvovaní
7. Dátovo-orientovaný prístup pre oslovenie budúcich FRI študentov
8. Modelovanie odchodu študentov FRI