Práce se zaměřuje na návrh a vyhodnocení metod pro ochranu soukromí při rozpoznávání obličejů v autentizačních systémech. Student zkoumal techniky anonymizace biometrických dat a hodnotil jejich dopad na výkonnost modelů strojového učení a na možnost zpětné identifikace osob. Dále student implementoval demonstrační aplikaci ověřující navržené řešení. Student splnil zadání. Rozsah práce odpovídá očekávanému rozsahu bakalářské práce, přestože porovnání a vyhodnocení maskovacích metod, zejména z hlediska kompromisu mezi ochranou soukromí a užitnou hodnotou dat (privacy–utility trade-off), mohlo být zpracováno podrobněji. Text práce je celkově na dobré úrovni, s několika drobnými formálními nedostatky. Oceňuji také, že práce je napsána v anglickém jazyce. Práce s odbornou literaturou je na dobré úrovni. Student své aktivity pravidelně konzultoval. Pokrok mezi jednotlivými konzultacemi však byl někdy omezený a doporučení vedoucího nebyla vždy plně zohledněna. Přesto je praktická část práce, včetně implementované aplikace, na uspokojivé úrovni. Celkově hodnotím práci i dosažené výsledky jako kvalitní a doporučuji ji k obhajobě s hodnocením B / 80 bodů. Points proposed by supervisor: 80

Bakalářská práce se zabývá ochranou soukromí biometrických dat obličeje. Student do jednotné webové aplikace ve frameworku Flask integroval šest anonymizačních metod ze tří rodin a na sadě 450 snímků je automatizovaným benchmarkem porovnal proti klasifikátoru na bázi PCA a SVM. Zadání považuji za splněné, požadavek na porovnání více učících algoritmů však jen částečně, neboť byl reálně použit jediný klasifikátor.
Silnou stránkou je samotný evaluační rámec, který staví heterogenní metody na společnou metrickou základnu, a funkční proof-of-concept aplikace s benchmarkovacím enginem a žebříčkem, kterou student vystavěl nad existujícím repozitářem.
Hlavním nedostatkem je absence rozdělení dat na trénovací a testovací množinu. Klasifikátor je trénován i vyhodnocován na týchž snímcích, takže stoprocentní výchozí přesnost odráží přeučení a absolutní hodnoty jsou optimistické. Dalším nedostatkem je nekonzistentní implementace metody PEEP, jejíž výsledky se v benchmarku a v aplikaci rozcházejí.
Po formální stránce je text na dobré úrovni, vyskytují se v něm pouze drobné překlepy a duplicitní citace. Práci doporučuji k obhajobě s celkovým hodnocením 78 bodů / C. Topics for thesis defence:

1. Klasifikátor je trénován i vyhodnocován na stejné množině 450 snímků bez oddělené testovací sady. Jak by se naměřené přesnosti změnily, kdyby byl model vyhodnocen na snímcích, které při trénování neviděl?
2. Metoda PEEP je v kódu implementována dvěma odlišnými způsoby, které dávají odlišné výsledky. Která z variant odpovídá popisu metody v práci a čím je rozdíl mezi nimi způsoben?

Points proposed by reviewer: 78