Predikce nemocnosti zaměstnanců Škoda Auto pomocí strojového učení

Bc. Dominik Novotný

Master's thesis

Abstract:

Diplomová práce se zabývá popisem používaných metod strojového učení pro regresní úlohy a následnou aplikací těchto metod na úloze zaměřené na predikci nemocnosti zaměstnanců firmy ŠKODA AUTO, a.s. Použité metody predikce zahrnují zejména neuronové sítě, podpůrnou vektorovou regresi a XGBoost. Výsledky ukazují, že pomocí těchto metod lze predikovat nemocnost zaměstnanců na jednotlivých odděleních s nízkou chybou. Výsledky všech použitých metod jsou vyhodnoceny z hlediska chyby a vysvětleného rozptylu. Ukazuje se také, že navržený predikční model výkonností překonává současně používaný přístup a může tak značně přispět ke zvýšení efektivnosti řízení lidských zdrojů v oblasti personálního plánování.

Abstract:

This thesis deals with description of commonly used machine learning methods for regression tasks followed by their application on a prediction task focused on ŠKODA AUTO, a.s. employee sickness prediction. The machine learning methods used for this task mainly include neural networks, support vector regression and XGBoost. The results show that it is possible to predict employee sickness in individual departments with a low error. The results of the used methods are compared in terms of error and variance explained. It is showed that the proposed prediction model outperforms the currently used approach and, thus, it is expected to improve the effectiveness of human resource management in personal planning

Keywords

Strojové učení, XGBoost, Python, Scikit-learn, Neuronové sítě, nemocnost zaměstnanců

Language used: Czech

Date on which the thesis was submitted / produced: 30. 4. 2019

Accessible from:: 31. 12. 2999

Thesis defence

• Supervisor: doc. Ing. Petr Hájek, Ph.D.

University of Pardubice

Faculty of Economics and Administration

Master programme / field:
System Engineering and Informatics / Informatics in Public Administration