Cílem diplomové práce byla rešerše a experimentální porovnání vybraných chemometrických metod pro klasifikaci metalických vzorků metodou LIBS.
Práce je rozdělaná do 4 kapitol, na které navazuje shrnutí. První kapitola popisuje metodu LIBS, druhá kapitola rešerši dosavadních prací na téma identifikace a klasifikace vzorků metodou LIBS. Třetí kapitola popisuje vybrané chemometrické metody a kapitola 4 pak samotné srovnání metod na experimentálně získaných datech 26 metalických vzorků.
I přes relativně stručnou formu, obsahuje práce vše podstatné, jak v rešeršní, tak praktické/experimentální části, a je bohatě protkána množstvím relevantních odkazů na příslušnou literaturu. Rešeršní část se popisem dotýká všech důležitých souvisejících témat. Experimentální část se nejprve pečlivě věnuje nalezením vhodných konfigurací porovnávaných metod, následně jejich srovnání na základě definovaných parametrů. Zvolených postupům nemohu nic vytknout, způsob a rozsah řešení zcela vyhovují cílům práce, nic podstatného nechybí.
Členění textu je výborné, práce je přehledná a gramatické chyby jsem nezaznamenal. Zvolená typografie je napříč prací konzistentní.
Práci by, dle mého názoru, prospěla větší míra výřečnosti v určitých, zejména vysvětlujících, pasážích. Některé zkratky jsou vysvětleny až po nekolikátém výskytu, a grafy jsou pro neoptimálně zvolené barvy poněkud hůře čitelné.
Z práce je patrná zkušenost autora jak s experimenty, tak s psaním odborných textů. Souvisí s tím také projevená vysoká míra samostatnosti při řešení diplomové práce.
Hlavní cíle práce byly zcela splněny, zmíněná negativa považuji za marginální. Celkově bych činnost autora a úroveň jeho výstupu v podobě diplomové práce ohodnotil stupněm: A, výborný.

Práce spočívá v klasifikaci 26 vzorků oceli třemi chemometrickými technikami, a to Soft Independent Modelling of Class Analogy (SIMCA), Partial Least Squares Discriminant Analysis (PLS-DA) a Artificial Neural Networks (ANN). Použití SIMCA a AAN předchází normalizace, vyloučení odlehlých hodnot a redukce počtu proměnných transformací vstupních dat do hlavních komponent a u PLS-DA do nových skrytých proměnných. Vstupními daty je 5200 spekter (240-940 nm) 26 vzorků z metody LIBS, z nichž 133 bylo použito k natrénování metod a 67 pak použito jako „neznámá“ spektra, jejichž příslušnost k danému vzorku oceli byla stanovena.
V teoretické části autor kriticky hodnotí a představuje jednotlivé chemometrické přístupy, normalizační procedury a zvažuje vhodnost jejich využití v LIBS. Přitom se odkazuje na více než 80 publikací, z nichž zpracoval kvalitní rešerši. Poté se věnuje teorii výše uvedených postupů, přičemž některé algebraické a statistické pojmy podrobněji objasňuje v dodatku na konci práce. Po optimalizaci uvedených 3 metod autor vyvozuje, že nejúspěšnějším klasifikátorem je v pořadí PLS-DA, dále SIMCA a relativně nejméně úspěšné AAN. Příčiny těchto pozorování zatím nebyly plně objasněny.

Cíle práce byly splněny, postup i použité metody jsou adekvátní. Přínos spočívá v otestování 3 chemometrických metod na souboru 26 vzorků oceli, které mohou být s vysokou pravděpodobností správně identifikovány bez nutnosti klasické kvantitativní analýzy a náročné přípravy vzorků.
Uchazeč prokázal hluboké znalosti dané problematiky, které využil v předložené práci.
Práce splňuje všechny formální náležitosti, jako je členění, práce s literaturou (až na chyby číslování i chyby v seznamu literatury), a její grafická, slohová i pravopisná úroveň je vysoká, byť je psána anglicky. Chyby v textu jsou ojedinělé.
Citace v textu jsou od str. 5 číslovány nahodile, nikoliv podle pořadí prvního výskytu dané citace. Chyby jsou i v seznamu citované literatury. Str. 37, obr. 4.5. euklidovská vs Mahalanobisova vzd.
Závěr práce je spíše shrnutí, odstavce 2-4 jsou nadbytečné. Jinak ovšem obsahuje všechny důležité informace. Topics for thesis defence:

1. 1) Je předložená práce součástí mezinárodní spolupráce? Pokud ano, o jaký projekt se jedná?
2. 2) Jaká je přenositelnost použitých klasifikačních technik a jejich výsledků na jiné zařízení s jiným detektorem a na jiné soubory vzorků? Lze odhadnout podle dosavadních výsledků a teorie použitých metod úspěšnost klasifikace po zmenšení počtu vstupních proměnných n nebo posunutím hranic rozsahu spektra použitého detektoru?
3. 3) Ukažte a diskutujte na některých obr. 4.7., 4.8., 4.10, 4.15-16, 4.19, jak souvisí kumulativní variabilita zahrnutá daným počtem hlavních komponent nebo skrytých proměnných s celkovou správností klasifikace, tj. přidejte do těchto obr. na vedlejší osu y variabilitu zahrnutou daným počtem komponent nebo skrytých proměnných (osa x zůstane stejná). Jak vypadá klasifikace klastrováním v 2-D nebo 3-D prostorech vybraných vyšších PC (PCs 3-6 scores) oproti SIMCA, PLS-DA a AAN?
4. 4) Lze vysledovat určitou pravidelnost v chybovosti použitých klasifikačních technik, tj. zda se určité vzorky/spektra pravidelně nesprávně klasifikují nebo je to pro každou metodu jinak? Z prezentace Vašich výsledků to nevyplývá.
5. 5) Vysvětlete blíže poměr signálu k šumu a jeho význam (Signal to Noise Ratio, SNR) na str. 23 nahoře. I když odkazujete na relevantní literaturu, obvyklejší bývá spíše jiná definice, např. dle D. Hahn and N. Omenetto, Appl. Spectrosc. 66, 2012, 347-419.
6. 6) Str. 37, obr. 4.4., 4.5: Proč jste vybral a testoval právě Gaussovo a extremální rozdělení?