Search

The difficulty in resolving the issues associated with forecasting regional financial performance has spurred the emergence of various applications of soft computing methods to tackle these challenges. This has inspired the development of hybrid models that employ diverse soft computing techniques. In this work, different machine learning methods such as random forest, XGBoost, support vector machines, neural networks, and fuzzy rule-based systems are utilized to improve the prediction of regional financial performance. I propose a novel hybrid method that integrates feature selection, class balancing, and ensemble classifiers in a cost-sensitive prediction scenario. More precisely, the proposed approach aims to develop an accurate decision support system that minimizes the misclassification cost in credit rating classification for subsovereign entities across various countries and world regions. Cost-sensitive learning is employed to adjust the training instances in accordance with the total cost associated with each class, facilitating the prediction of nominal rating classes at a lower misclassification cost. Furthermore, it is demonstrated that combining bagging with decision trees as base learners can mitigate the risk of overfitting, a common issue in individual machine learning methods. To validate the proposed approach, I have conducted experiments using two different types of datasets from Moody's credit rating agency. The results show that the proposed hybrid model surpasses existing forecasting models in terms of misclassification cost and other classification metrics., Potíže s řešením problémů spojených s predikcí regionální finanční výkonnosti podnítily vznik různých metod soft computingu. To inspirovalo vývoj hybridních modelů, které kombinují různé soft computingové techniky. V této práci se ke zlepšení predikce regionální finanční výkonnosti využívají různé metody strojového učení, jako jsou náhodné lesy, XGBoost, podpůrné vektorové stroje, neuronové sítě a systémy založené na fuzzy pravidlech. Navrhuji nový hybridní model, který integruje selekci proměnných, vyvažování tříd a soubory klasifikátorů v nákladově citlivém predikčním scénáři. Přesněji řečeno, navrhovaný přístup si klade za cíl vyvinout přesný systém podpory rozhodování, který minimalizuje náklady na nesprávnou klasifikaci při predikci úvěrového ratingu pro regionální subjekty v různých zemích. Nákladově citlivé učení se používá k úpravě vah instancí při učení v souladu s celkovými náklady spojenými s každou třídou, což usnadňuje predikci nominálních ratingových tříd při nižších nákladech na nesprávnou klasifikaci. Kromě toho je prokázáno, že kombinování baggingu s rozhodovacími stromy jako základními klasifikátory může zmírnit riziko přeučení, což je běžný problém u jednotlivých modelů strojového učení. Pro ověření navrhovaného přístupu byly provedeny experimenty s použitím dvou různých typů datových souborů od ratingové agentury Moody's. Výsledky ukazují, že navrhovaný hybridní model předčí stávající predikční modely, zejména pokud jde o náklady na nesprávnou klasifikaci a další klasifikační metriky., Fakulta ekonomicko-správní, Dokončená práce s úspěšnou obhajobou

Příspěvek prezentuje základní principy tvorby učebních textů vytvořených metodou microlearning, která je uzpůsobena současným elektronickým zařízením a osobním komunikátorům. Příklady různých typů mikroúloh, kterých jsou pro jeden předmět použity řádově stovky, vychází z vytvořeného učebního textu pro oblast databázových systémů. Vytvořený učební text byl využit ve výuce na řešitelském pracovišti a příspěvek prezentuje první dosažené výsledky a výsledky jak kvalitativního, tak kvantitativního výzkumu uskutečněného mezi studenty předmětu. Kvalita a využitelnost vytvořeného učebního textu byly prokázány, ale ukázalo se, že zatím není vhodné používat učební texty vytvořené technologií microlearningu jako jedinou učební oporu pro studenty., The paper presents the basic principles of creating learning texts created by the microlearning method, which is adapted to current electronic devices and personal communicators. Examples of different types of microtasks, of which hundreds of them are used for one course, are based on the created teaching text for the field of database systems. The created microlearning course was used in teaching at the research work and the paper presents the first achieved results and the results of both qualitative and quantitative research conducted among students of the subject. The quality and usability of the created teaching text have been proven, but it has proven that it is not yet appropriate to use teaching texts created by microlearning technology as the only teaching support for students.

The article presents use of a linguistic fuzzy-logic control (LFLC) system for dynamic system modelling. The presented applications were verified on real laboratory tasks in the Laboratory of Intelligent Systems at the University of Ostrava. The LFLC system was developed at the University of Ostrava, Institute for Research and Applications of Fuzzy Modeling. This technology enables users to describe the system behaviour as a set of fuzzy rules. Input and output variables scales are defined by contexts and their change allows using the same system description for systems with similar behaviour very easily.

Disertační práce se zabývá problematikou neuronových sítí a jejich aplikací v oblasti modelování a řízení systémů. K realizaci struktury modelu, inicializace, algoritmů trénování a testování neuronových sítí pro modelování systémů respektive inverzní modelování systémů a realizaci regulačních obvodů byl použit program Matlab/Simulink., This dissertation work deals with neural networks and their application in modeling and control systems. To implement structure models, initialization, training algorithms and testing of neural networks for system modeling, the inverse system modeling respectively, and for control systems implementation Matlab/Simulink program was used.