Porovnání přístupů ke generování umělých dat

Ludmila Šejvlová

Master's thesis

Comparison of Approaches to Synthetic Data Generation

Abstract:

Diplomová práce se zabývá umělými daty, konkrétně vybranými přístupy k jejich generování a praktickou úlohou generování dat. Cílem teoretické části práce je popsat vybrané přístupy ke generování umělých dat, shrnout jejich hlavní klady a zápory a jednotlivé přístupy vůči sobě porovnat. Cílem praktické části práce je vygenerovat umělá data pro účely výuky dobývání znalostí z databází. Práce uvádí základní popis umělých dat a podrobně vysvětluje proces jejich generování. Z možných přístupů ke generování umělých dat se práce zaměřuje na náhodný přístup, statistický přístup, generovací jazyky a nástroj ReverseMiner. Práce pojednává také o využití umělých dat v praxi a o vhodnosti jednotlivých přístupů pro určité záměry. V rámci práce byla pomocí nástroje ReverseMiner vytvořena výuková data Hotel SD, která obsahují vztahy odhalitelné pomocí GUHA-procedur typu SD (set-difference).

Abstract:

The diploma thesis deals with synthetic data, selected approaches to their generation together with a practical task of data generation. The goal of the thesis is to describe the selected approaches to data generation, capture their key advantages and disadvantages and compare the individual approaches to each other. The practical part of the thesis describes generation of synthetic data for teaching knowledge discovery using databases. The thesis includes a basic description of synthetic data and thoroughly explains the process of their generation. The approaches selected for further examination are random data generation, the statistical approach, data generation languages and the ReverseMiner tool. The thesis also describes the practical usage of synthetic data and the suitability of each approach for certain purposes. Within this thesis, educational data Hotel SD were created using the ReverseMiner tool. The data contain relations discoverable with SD (set-difference) GUHA-procedures.

Keywords

Proces generování umělých dat, Přístupy ke generování umělých dat, Výuková data, Testování softwaru, Anonymizace dat, GUHA-procedury, LISp-Miner, ReverseMiner, Synthetic Data Definition Language, Generovací jazyky, Synthpop, Statistický přístup, Mockaroo, Náhodný přístup, Umělá data

Keywords

Synthetic data generation process, Data anonymization, Software testing, GUHA-procedures, LISp-Miner, ReverseMiner, Synthetic Data Definition Language, Generation languages, Synthpop, Statistic approach, Synthetic data, Mockaroo, Random approach, Approaches to synthetic data generation, Education data

Language used: Czech

Date on which the thesis was submitted / produced: 24. 10. 2016

Thesis defence

• Date of defence: 5. 6. 2017
• Supervisor: Milan Šimůnek
• Reader: Jarmila Pavlíčková

Vysoká škola ekonomická v Praze

Master programme / field:
Aplikovaná informatika / Znalostní a webové technologie