Uživatelsky přívětivé prostředí pro práci s dynamickými Bayesovskými sítěmi

Abstract

Název práce: Uživatelsky přívětivé prostředí pro práci s dynamickými Bayesov- skými sítěmi Autor: Jan Vinárek Ústav: Kabinet software a výuky informatiky Vedoucí bakalářské práce: Mgr. Rudolf Kadlec, Kabinet software a výuky infor- matiky Abstrakt: U open source nástrojů s grafickým rozhraním určených pro datami- ning napsaných v jazyce Java je malá podpora pro zpracování sekvenčních dat. Jedním z nejpopulárnějších modelů využívaných při zpracování sekvenčních dat je dynamická Bayesovská síť, a to s využitím jejích inferenčních algoritmů. Cílem teoretické části práce bylo najít program s grafickým rozhraním pro da- tamining se snadným ovládáním a knihovnu, která dynamické Bayesovské sítě a jejich inferenční algoritmy nejlépe implementuje. Cílem praktické části práce bylo pro zvolený program (RapidMiner) navrhnout a naprogramovat rozšíření s využitím nalezené knihovny (JSMILE). U rozšíření byla otestována kombinace učícího algoritmu Expectation-Maximization a inferenčního algoritmu dynamické Bayesovské sítě pro predikci sekvenčních dat a byla srovnána s použitím učících modelů Support Vector Machines a Decision Tree na dvou příkladech. Klíčová slova: dynamické Bayesovské sítě, sekvenční data, časové řady, Java

Title: User Friendly Environment for Dynamic Bayesian Networks Author: Jan Vinárek Department: Department of Software and Computer Science Education Supervisor: Mgr. Rudolf Kadlec, Department of Software and Computer Science Education Abstract: For open source tools with the graphical interface which are focused on datamining and written in the Java language there is a small support for processing of sequential data. One of the most popular models used for processing of sequential data is the dynamic Bayesian network, with the use of its inference algorithms. The aim of the theoretical part of the thesis was to find a program which supports graphical interface for datamining with a simple control and library which imple- ments inference algorithms of dynamic Bayesian networks in the best way. The aim of the practical part was to design and to program the extension for the chosen program (RapidMiner) with the use of the found library (JSMILE). In the ex- tension the combination of uses of learning algorithm Expectation-Maximization and inference algorithm of dynamic Bayesian network was tested for prediction of sequential data. The combination was compared to the use of learning models Support Vector Machines and Decision Tree on two examples. Keywords: dynamic Bayesian network, sequential data, time series, Java