Porovnání výpočetní složitosti vybraných algoritmů pro dolování znalosti z dat – Bc. Tomáš Bílek
Bc. Tomáš Bílek
Master's thesis
Porovnání výpočetní složitosti vybraných algoritmů pro dolování znalosti z dat
Comparison of selected data mining algorithms and their computational complexity
Abstract:
Diplomová práce se zabývá porovnáním časové a paměťové složitosti vybraných algoritmů pro data mining. Předmětem teoretické části je seznámení s algoritmy strojového učení a podrobný rozbor problematiky složitosti algoritmů. Následuje výběr a zdůvodnění výběru nejběžnějších algoritmů používaných pro data mining. V praktické části se práce věnuje porovnání teoretické složitosti vybraných algoritmů s …moreAbstract:
This thesis is concerned with comparing of time complexity and space complexity of selected data mining algorithms.The objective of the theoretical part is to provide an introduction to machine learning algorithms and a detailed analysis of the algorithm complexity problematics. The following part presents a selection of the most commonly used data mining algorithms and reasons for this selection.The …more
Language used: Czech
Date on which the thesis was submitted / produced: 4. 1. 2018
Thesis defence
- Supervisor: doc. Ing. Jan Žižka, CSc.
- Reader: Ondřej Popelka, Ph.D.
Citation record
ISO 690-compliant citation record:
BÍLEK, Tomáš. \textit{Porovnání výpočetní složitosti vybraných algoritmů pro dolování znalosti z~dat}. Online. Master's thesis. Brno: Mendelova univerzita v Brně, Faculty of Business and Economics. 2018. Available from: https://theses.cz/id/n2kl51/.
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- autentizovaným zaměstnancům ze stejné školy/fakulty
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Mendelova univerzita v Brně, Provozně ekonomická fakultaMendel University in Brno
Faculty of Business and EconomicsMaster programme / field:
System engineering and informatics / Economic informatics
Theses on a related topic
-
Image Analysis Using Machine Learning Models
Norbert Komiňák -
Implementation of Sample Selection Estimators into Double Machine Learning Framework
Michaela Kecskésová -
Localization of mobile devices using machine learning
Aleš Calábek -
Exchange rates predictions using machine learning methods
Yaroslav Korobka -
Digital document analysis using machine learning methods
Nicholas Čapek -
Machine learning analysis and cataloging of extragalactic sources
Matej Kosiba -
Machine Learning for Text Anomaly Detection
Alina Tsykynovska -
Demand estimation using Machine Learning methods
Gabriela Moravčíková