Identifikace metod vhodných pro hledání potenciálně příčinných souvislostí ve výrobních datech za účelem snížení zmetkovosti

Mgr. Nikola Vavreková

Master's thesis

Identifying appropriate methods for finding potentially causal associations in manufacturing data for the purpose of reducing the scrap rate

Abstract:

The aim of this thesis is to examine the various methods of machine learning and identify those that are suitable for revealing the causes of confusion on production data. The theoretical part presents the statistical methods used in root-cause analysis. In the practical part, models of decision trees, random and boosting forests and neural networks are applied to production data with source code in the programming language R. The work proposes solutions to confusion with respect to the results of models.

Abstract:

Cieľom tejto diplomovej práce je preskúmať jednotlivé metódy strojového učenia a identifikovať tie, ktoré sú vhodné pre odhalenie príčin zmätkovosti na výrobných dátach. V teoretickej časti sú predstavené štatistické metódy, ktoré sa využívajú pri root-cause analýze. V praktickej časti sú modely rozhodovacích stromov, náhodných a boosting lesov a neurónových sietí aplikované na výrobné dáta so zdrojovým kódom v programovacom jazyku R. V práci sú navrhnuté riešenia zmätkovosti s ohľadom na výsledky modelov.

Kľúčové slová

dátová analýza, strojové učenie, root cause analýza, R, data analysis, machine learning, root cause analysis

Jazyk práce: Slovak

Datum vytvoření / odevzdání či podání práce: 14. 5. 2021

Obhajoba závěrečné práce

• Obhajoba proběhla 22. 6. 2021
• Vedúci: doc. Mgr. Maria Králová, Ph.D.
• Oponent: Mgr. Hana Fitzová, Ph.D.

Masaryk University

Faculty of Economics and Administration

Master programme / odbor:
Mathematical and Statistical Methods in Economics / Mathematical and Statistical Methods in Economics