Počet záznamů: 1
Časoprostorové predikční modelování pandemie COVID-19 užitím umělé neuronové sítě
Údaje o názvu Časoprostorové predikční modelování pandemie COVID-19 užitím umělé neuronové sítě [rukopis] / Martin Kukrál Další variantní názvy Časoprostorové predikční modelování pandemie COVID-19 užitím umělé neuronové sítě Osobní jméno Kukrál, Martin, (autor diplomové práce nebo disertace) Překl.náz Spatio-Temporal Predictive Modelling of the COVID-19 Pandemic Using an Artificial Neural Network Vyd.údaje 2023 Fyz.popis 41 s. (80 786 znaků) + 1 poster ve formátu A2 Poznámka Oponent Zdena Dobešová Ved. práce Karel Macků Dal.odpovědnost Dobešová, Zdena, 1964- (oponent) Macků, Karel 1990- (vedoucí diplomové práce nebo disertace) Dal.odpovědnost Univerzita Palackého v Olomouci. Přírodovědecká fakulta. Katedra geoinformatiky (udelovatel akademické hodnosti) Klíč.slova umělé neuronové sítě * strojové učení * predikce časových řad * Python * COVID-19 * artificial neural networks * machine learning * time series forecasting * Python * COVID-19 Forma, žánr bakalářské práce bachelor's theses MDT (043)378.22 Země vyd. Česko Jazyk dok. čeština Druh dok. PUBLIKAČNÍ ČINNOST Titul Bc. Studijní program Bakalářský Studijní program Geoinformatika a kartografie Studijní obor Geoinformatika a kartografie kniha
Kvalifikační práce Staženo Velikost datum zpřístupnění 00286336-251748869.pdf 0 7.5 MB 04.05.2023 Posudek Typ posudku 00286336-ved-582229936.pdf Posudek vedoucího 00286336-opon-496549032.pdf Posudek oponenta Ostatní přílohy Velikost Popis 00286336-other-723992606.pdf 5.1 MB
Tématem bakalářské práce je problematika tvorby umělé neuronové sítě pro potřeby časoprostorového predikčního modelování pandemie COVID-19 v administrativních jednotkách České republiky. K tomu jsou použita volně dostupná epidemiologická data sekvenční povahy, jež jsou za účelem usnadnění učení sítě nejprve analyzována vybranými statistickými metodami a transformována do vhodné podoby před vstupem do modelu. Sama tvorba konkrétní architektury umělé neuronové sítě plnící stanovené cíle je rozebrána z teoretického i praktického hlediska. Závěrečným krokem je vícefázová validace přesnosti predikcí i samotného nejlepšího dosaženého modelu zvolenými metodami užitím stanovených kritérií a vizualizací. Výsledkem je kromě rozboru dané problematiky finální model, stejně jako nástroj vytvořený autorem práce v programovacím jazyce Python, který je použit k realizaci celého výše nastíněného procesu. Práce by měla reprezentovat jednu z možných cest časoprostorového predikčního modelování epidemiologických dat, případně by mohla také sloužit jako inspirace pro tvorbu podobných umělých neuronových sítí pro potřeby predikce sekvenčních dat i v jiných tematických oblastech.This bachelor thesis deals with the design of an artificial neural network for the needs of spatiotemporal predictive modelling of the COVID-19 pandemic in the administrative units of the Czech Republic. For this purpose, freely available epidemiological data of sequential nature are used, which are first analysed using selected statistical methods and transformed into a suitable form before entering the model in order to facilitate learning of the network. The actual design of a specific artificial neural network architecture fulfilling the stated objectives is discussed in both theoretical and practical perspectives. The final phase is the multi-stage validation of the accuracy of the predictions and of the best achieved model itself, attained by the chosen methods using selected criteria and visualizations. The results are, in addition to the analysis of the issue, the final model, as well as the tool created by the author of the thesis in the Python programming language, which was used to implement the entire process outlined above. The work should represent one of the possible ways of spatiotemporal predictive modelling of epidemiological data, while it could also serve as an inspiration for the creation of similar artificial neural networks for the needs of sequential data prediction in other subject areas.
Počet záznamů: 1