Jednalo se o firemní zadání od firmy AT&T, kde tématem práce bylo  zkoumání modelů strojového učení pro predikci časových řad. Cílem práce bylo ověřit, které modely jsou vhodné pro detekci anomálií při monitorování stavu síťových zařízení, kdy monitorovaná data mají charakter časových řad. Student  se zaměřil na klasické metody pro modelování časových řad (Moving Average, Autoregrese, model ARIMA) a dále zkoumal použití konvolučních a rekurentních neuronových sítí (CNN, GRU, LSTM). U neuronových sítí student také zkoumal vliv parametrů modelů na přesnost výsledků.

Zadání bylo splněna a rozšířeno o metody neuronových sítí, které nebyly v původním zadání.

Práce nebyla publikována.

Student byl během řešení aktivní, pravidelně docházel na konzultace, kde diskutoval navržené řešení.

Stupeň hodnocení: zadání splněno

Předložená technická zpráva je psána velmi stručným způsobem a místy zde chybí podstatné informace. Nejdůležitější chybějící informací je způsob rozdělení dat na trénovací a testovací (případně i validační) část. Z textu není jasné, na jak velkém časovém úseku byly použité metody trénovány a testovány. Podrobnější  informace k tomu, jak byly laděny parametry jednotlivých modelů, bych také uvítala.

Práci s literaturou hodnotím jako nejslabší část této diplomové práce. U diplomové práce bych čekala větší využití odborných článků z oblasti predikce časových řad. Převzaté prvky jsou řádně odlišeny od vlastních výsledků a úvah.

Modely pro predikci řad typicky nelze přímo (včetně parametrů) použít pro různé časové řady. Nicméně postup volby parametrů, který student využil, se jeví jako velmi dobrý, protože při predikci bylo dosaženo velmi dobrých výsledků.