Student Jan Kočařík zpracovával téma využit regresních algoritmů k predikci koncentrací látek v čističkách odpadních vod. Student vyzkoušel využít lineární, polynomiální  a hřebenovou regresy s různými stupni úspěchu.
Podařilo se mu vytvořit softsenzor pomocí výše zmíněných regresních metod, přičemž jednotlivé metody porovnal a vyhodnotil polynomiální regresy jako tu nejpřesnější. Pan Kočařík pravidelně chodil na konzultace, byl vždy připravený s trefnými otázkami a jinak postupoval schopně a samostatně.
Práce má obsahově 55 stran, z čehož teoretická část zabírá 9 stran a praktická část 40 stran. Literatura je dostatečně obsáhlá (27 zdrojů), což poukazuje na svědomitou rešerši v průběhu celé práce.
Student Jan Kočařík tímto prokázal dostatečné bakalářské schopnosti a práci doporučuji k obhajobě se stupněm A (90b). Points proposed by supervisor: 90

Bakalářská práce na téma "Predikce koncentrace látek čističky odpadních vod pomocí polynomiální regrese" patří k poměrně komplexním zadáním. Práce je dobře motivovaná a popisuje zajímavá řešení s dobrým využitím v reálném průmyslovém procesu.
Popis současného stavu a dostupných řešení obsahuje dostatečný teoretický a matematický aparát a popis reálného prostředí čističek odpadních vod s dostatečným podložením literaturou.
V implementační části práce student vyjmenovává implementované funkce a následně popisuje potenciální nahrazení jednotlivých fyzických senzorů v konkrétním procesu čističky odpadních vod Brno-Modřice softsenzory reprezentovanými navrženými regresními modely. Zde poněkud postrádám nějaký detailní popis implementace konkrétního modelu – např.: blokové schéma posloupnosti operací s popisy jednotlivých implementací. Také mi chybí hlubší popis datasetu – jeho rozsah, charakter dat atd.. Naopak oceňuji detailní popis a vysvětlení závislostí jednotlivých měřených veličin v popisech konkrétních modelovaných senzorů. V popis a vyhodnocení výsledků jednotlivých regresních modelů student porovnává modelované průběhy různými regresemi a porovnává je pomocí metriky R2 (koeficientu determinance) a kvalitativního popisu průběhu – zde vytýkám vyvedení jednotlivých průběhů několik stran od sebe způsobem který znesnadňuje vizuální srovnání někdy i tří různých ale velmi podobných průběhů (namátkou senzor QIC67), existují i lepší možnosti vizuální reprezentace. Kladně hodnotím porovnání jednotlivých modelů metrikou R2, a také celkové návrhy možných náhrad fyzických senzorů v kapitole 3.2.3.
Text práce je logicky sestaven a vhodným jazykem popisuje analýzu problému, dostupná řešení, návrh a implementaci regresních modelů a detailně se věnuje jejich vyhodnocení. Literatura je volena a využívána vesměs vhodně a v dostatečném rozsahu. Mezi formální chyby se řadí mnohé opomenutí jednotek v popiscích grafů (chybí u všech modelovaných průběhů a k dohledání jsou jen v tabulce rozsahů senzorů 3.1) jakož i v některých tabulkách (např.: měna v tabulce 3.18). Tyto nedostatky zbytečně odvádějí pozornost od jinak dobře odvedené práce.
Práce svědčí o dobrých bakalářských schopnostech studenta a navrhuji ji k obhajobě s hodnocením 76b a známkou C. Topics for thesis defence:

1. Jaký byl rozsah datasetu, a jak vypadala data? Jaké byly vzorkovací periody pro jednotlivé senzory?
2. Jak konkrétně byly jednotlivé modely trénovány a na jakých datech? Pouze na „nejlepších“ datech ze souboru v tabulce 3.2? Jaká metoda byla použita u hřebenové regrese pro získání parametru λ?

Points proposed by reviewer: 76