3,618 research outputs found
Arcangelo Corelli: Sonate a Violino e Violone o Cimbalo, op. V.
No full textHistorisch kritische Edition der Violinsonaten op. V von Arcangelo Corell
Cash Collection Forecast using ML for B2B company
No full textNázev: Cash Collection Forecast using ML for B2B company Autor: Ing. Jan Kříž Katedra: Informatics and Statistics Supervisor: Ing. Pavel Zimmermann PhD. Cílem této závěrečné práce je využití strojového učení, konkrétně regresních algoritmů, k predikci dne zaplacení u přijatých platebních trasakcí. Konkrétně datum platby u vystavených faktur a datum využití vydaných kreditních transakcí. Díky predikci těchto informací mohou společnosti lépe predikovat celkovou výši pěněžních toků, které mají přímý dopad na rozhodování ve správě hotovosti. Míra přesnosti predikcí (kdy zákazník zaplatí za fakturu nebo kdy zákazník uplatní dobropis) závisí především na vhodně zvolených proměnných, na kterých se prediktivní algoritmus trénuje. Tato práce popisuje celý proces od načítání dat, přes čištění dat a kalkulaci rozšiřujích promměných až po aplikaci regresních modelů a modelů časových řad pro predikce. Část analýzy stávajících dat byla provedena pomocí jazyka SQL, zatímco pokročilá část strojového učení byla naprogramována v programovacích jazyce Python. Vzhledem k tomu, že výsledek tohoto projektu budou prezentovány a využívány uživateli bez hlubších statistických znalostí, vyhodnocení modelů proběhlo ve zjednodušené formě s ohledem na znalosti koncových uživatelů. Konečným cílem tohoto projektu je zlepšit proces predikce cash flow pro oddělení správy financí a zároveň vyvinutí nástroje pro podporu rozhodování, který pokryje potřeby stávajích uživatelů.Title: Cash Collection Forecast using ML for B2B company Author: Ing. Jan Kříž Department: Informatics and Statistics Supervisor: Ing. Pavel Zimmermann PhD. This thesis aims to use machine learning, specifically regression algorithms, to predict the payment dates of account receivables transactions, including the payment date for invoices and the application date for credit memo transactions. Companies can benefit from this as it predicts the total amount of cash inflows they can receive every week and impacts cash flow and cash management decisions. The extent to how accurate the prediction (when a customer is going to pay for an invoice or when a customer is going to apply the credit memo) is, depends mainly on the features used for the model training and the machine learning algorithm. This thesis describes the entire process, from data loading, cleaning, and feature engineering, to the application of regression and time series models for predictions. The exploratory analysis and data preparation were performed with the use of SQL, while the advanced part of machine learning was built in Python programming language. As the outcome of this project is relevant to business users, models were evaluated in an easy-to-understand process, bearing the end-user in mind for those without statistical and technical backgrounds. The ultimate goal of this project is to improve the cash flow forecast process for the Treasury Department and develop a decision support tool, which will cover all their needs
Cash Collection Forecast using ML for B2B company
No full textNázev: Cash Collection Forecast using ML for B2B company Autor: Ing. Jan Kříž Katedra: Informatics and Statistics Supervisor: Ing. Pavel Zimmermann PhD. Cílem této závěrečné práce je využití strojového učení, konkrétně regresních algoritmů, k predikci dne zaplacení u přijatých platebních trasakcí. Konkrétně datum platby u vystavených faktur a datum využití vydaných kreditních transakcí. Díky predikci těchto informací mohou společnosti lépe predikovat celkovou výši pěněžních toků, které mají přímý dopad na rozhodování ve správě hotovosti. Míra přesnosti predikcí (kdy zákazník zaplatí za fakturu nebo kdy zákazník uplatní dobropis) závisí především na vhodně zvolených proměnných, na kterých se prediktivní algoritmus trénuje. Tato práce popisuje celý proces od načítání dat, přes čištění dat a kalkulaci rozšiřujích promměných až po aplikaci regresních modelů a modelů časových řad pro predikce. Část analýzy stávajících dat byla provedena pomocí jazyka SQL, zatímco pokročilá část strojového učení byla naprogramována v programovacích jazyce Python. Vzhledem k tomu, že výsledek tohoto projektu budou prezentovány a využívány uživateli bez hlubších statistických znalostí, vyhodnocení modelů proběhlo ve zjednodušené formě s ohledem na znalosti koncových uživatelů. Konečným cílem tohoto projektu je zlepšit proces predikce cash flow pro oddělení správy financí a zároveň vyvinutí nástroje pro podporu rozhodování, který pokryje potřeby stávajích uživatelů.Title: Cash Collection Forecast using ML for B2B company Author: Ing. Jan Kříž Department: Informatics and Statistics Supervisor: Ing. Pavel Zimmermann PhD. This thesis aims to use machine learning, specifically regression algorithms, to predict the payment dates of account receivables transactions, including the payment date for invoices and the application date for credit memo transactions. Companies can benefit from this as it predicts the total amount of cash inflows they can receive every week and impacts cash flow and cash management decisions. The extent to how accurate the prediction (when a customer is going to pay for an invoice or when a customer is going to apply the credit memo) is, depends mainly on the features used for the model training and the machine learning algorithm. This thesis describes the entire process, from data loading, cleaning, and feature engineering, to the application of regression and time series models for predictions. The exploratory analysis and data preparation were performed with the use of SQL, while the advanced part of machine learning was built in Python programming language. As the outcome of this project is relevant to business users, models were evaluated in an easy-to-understand process, bearing the end-user in mind for those without statistical and technical backgrounds. The ultimate goal of this project is to improve the cash flow forecast process for the Treasury Department and develop a decision support tool, which will cover all their needs
Optimalizační problémy při (max,min.)-lineárních omezeních a některé související úlohy
Get PDFTitle: Optimization Problems under (max, min)-Linear Constraints and Some Related Topics. Author: Mahmoud Gad Department/Institue: Department of Probability and Mathematical Statis- tics Supervisor of the doctoral thesis: 1. Prof. RNDr. Karel Zimmermann,DrSc 2. Prof. Dr. Assem Tharwat, Cairo University, Egypt Abstract: Problems on algebraic structures, in which pairs of operations such as (max, +) or (max, min) replace addition and multiplication of the classical linear algebra have appeared in the literature approximately since the sixties of the last century. The first publications on these algebraic structures ap- peared by Shimbel [37] who applied these ideas to communication networks, Cunninghame-Green [12, 13], Vorobjov [40] and Gidffer [18] applied these alge- braic structures to problems of machine-time scheduling. A systematic theory of such algebraic structures was published probable for the first time in [14]. In recently appeared book [4] the readers can find latest results concerning theory and algorithms for (max, +)-linear systems of equations and inequalities. Since operation max replacing addition in no more a group, but a semigroup oppera- tion, it is a substantial difference between solving systems with variables on one side and systems with variables occuring on both sides of the equations....Název práce: Optimalizační problémy při (max,min)-lineárních omezeních a některé související úlohy. Author: Mahmoud Gad Katedra/Ústav: Katedra Pravděpodobnosti a matematické statistiky Vedoucí dizertační práce: 1. Prof. RNDr. Karel Zimmermann, DrSc 2. Prof. Dr. Assem Tharwat, Cairo University Egypt . Abstrakt: Úlohy na algebraických strukturách, v nichž dvojice operací (max, +) nebo (max, min) nahrazují operace sčítání a násobení v klasické lineární algebře se objevují v literatuře přibližně od šedesátých let minulého století. První výsledky s využitím těchto struktur publikovali A. Shimbel v práci [37] s aplikacemi v komunikačních sítích, a dále R. A. Cunnighame-Green [12,13], N. Vorobjov [40] a B. Giffler [18] s aplikacemi na rozvrhování práce strojů a v teorii spolehlivosti. Ucelená systematická teorie takových algebraických struktur byla publikována pravděpodobně poprvé v práci [14]. V nedávno publikované knize [4] lze nalézt nejnovější stav výzkumu teorie a algoritmů ve struktuře s operacemi (max,+). Protože operace maxima, která v uvedených strukturách nahrazuje operaci sčítání, není grupovou, ale pouze pologrupovou operací, je podstatný rozdíl mezi řešením soustav s proměnnými pouze na jedné straně rovnic resp. nerovností a soustav, v nichž se proměnné nacházejí na obou stranách těchto vztahů....Katedra pravděpodobnosti a matematické statistikyDepartment of Probability and Mathematical StatisticsFaculty of Mathematics and PhysicsMatematicko-fyzikální fakult
Proposal of a prediction model for diagnosis of Alzheimer's disease and its implementation in practice
No full textThis thesis focuses on the use of different methods for creating a prediction model for the diagnosis of Alzheimer's disease and their subsequent comparison. The aim of the thesis is to propose a prediction model for the diagnosis of Alzheimer's disease and to suggest the implementation of the solution in practice. The thesis focuses on prediction of the stage of the disease over a period of one year. First, the thesis analyzes the current state of the art of the use of artificial intelligence and machine learning in healthcare and then focuses on the description of the Alzheimer's disease to present the context relevant to the development of the prediction model. The main part of the thesis focuses on the selection of machine learning tools and methods, including a description of each technique and its implementation in Python. Furthermore, the thesis processes the data before using it to train the models. The analysis of different predictive models reveals that the xgboost model gives the best results for predicting the stage of the disease. Finally, the technological, legal and ethical aspects of implementing the model into practice in a healthcare setting are discussed. This thesis summarizes the findings in the field of possible diagnosis of Alzheimer's disease using artificial intelligence and shows the potential of machine learning as a useful tool for improving the care of patients with this disease.Tato diplomová práce se zabývá použitím různých metod pro vytvoření predikčního modelu pro diagnostiku Alzheimerovy choroby a jejich následným porovnáním. Cílem práce je navrhnout predikční model pro diagnostiku Alzheimerovy choroby a navrhnout implementaci řešení do praxe. Práce se zaměřila na predikci stádia nemoci v období jednoho roku. Nejprve se v práci analyzuje současný stav využití umělé inteligence a strojového učení ve zdravotnictví a poté se zaměřuje na popis problému Alzheimerovy choroby pro představení kontextu relevantního pro vývoj predikčního modelu. Hlavní část práce se věnuje výběru nástrojů a metod strojového učení, včetně popisu jednotlivých technik a jejich implementací v jazyce Python. Dále jsou v práci zpracována data před jejich použitím pro trénink modelů. Analýza různých prediktivních modelů odhalila, že nejlepší výsledky pro predikci stádia nemoci podává model xgboost. V závěru jsou diskutovány technologické, právní a etické aspekty implementace modelu do praxe ve zdravotnickém prostředí. Tato práce shrnuje poznatky v oblasti možné diagnostiky Alzheimerovy choroby pomocí umělé inteligence a ukazuje potenciál strojového učení jako užitečného nástroje pro zlepšení péče o pacienty s touto nemocí
Lapse rate model in life insurance company
No full textThe goal of this work is to create a predictive model of contract lapses. The model is designed for the portfolio of pension contracts of an unnamed Czech insurance company. The theoretical part describes the methodology of the generalized linear model and the generalized linear mixed model. These methods are then applied in the practical part. Models are evaluated based on predictive ability, which is validated on new data. Given the analysis of data records over 17 years, lapse rates may change over time. For this reason, the time dependence is added to the model through a calendar year variable. After showing the estimates of the regression coefficients of the calendar year, it is found that the trend has been reversing since 2012. The last GLM model is created on a data file that contains only records since 2012. Three generalized linear mixed models are constructed in the last part of this work. The best predictive model is the GLM model created on data from 2012.Cílem práce je vytvořit prediktivní model počtu storen smluv. Model je sestrojen pro portfolio důchodových smluv nejmenované české pojišťovny. V teoretické části je popsána metodika zobecněného lineárního modelu a zobecněného lineárního smíšeného modelu. Tyto metody jsou následně aplikovány v praktické části. Modely jsou hodnoceny na základě prediktivní schopnosti, která se ověřuje na nových datech. Vzhledem k analyzování datových záznamů za 17 let je možné, že se stornovost smluv v čase mění. Z tohoto důvodu je do modelu přidán vliv času prostřednictvím proměnné kalendářní rok. Po zobrazení odhadů regresních koeficientů kalendářního roku je zjištěno, že se ve stornovosti objevuje od roku 2012 trend. Poslední GLM model je vytvořen na datovém souboru, který obsahuje pouze záznamy od roku 2012. V poslední části práce jsou sestrojeny tři zobecněné lineární smíšené modely. Nejlepší prediktivní model je GLM model vytvořený na datech od roku 2012
Prototype of image recognition application for a real estate portal
No full textThis master thesis deal with the issue of using image data for online real estate listing portals for machine learning. A specific use case for this data is propose here. It uses transfer learning for creating a classification model for classifying individual rooms inside a property. Keras deep learning library is used for this purpose. The model is then used in a prototype of a web application simulating a real web reality portal where two direct use cases of such a model are presented. The thesis then presents a discussion about other applications of machine learning using image data in this field.Diplomová práce se zabývá problematikou využití obrazových dat online realitních portálů pro strojové učení. Je zde navrženo konkrétní použití těchto dat za využití konceptu transfer learningu. V práci je vytvořen model schopný klasifikovat obrázky do jednotlivých tříd vybraných relevantních místností. Pro vytvoření tohoto modelu je použita knihovna Keras. Model je následně použit v prototypu webové aplikace simulující realitní portál, která demonstruje dva případy užití přímé aplikace tohoto modelu. V návaznosti na tyto návrhy je v práci provedena diskuze o dalších aplikacích strojového učení pro obrazová data v této oblasti
Use of Machine Learning algorithm to prevent undesirable conditions within electronic prescription
No full textHlavním cílem této diplomové práce je implementování Machine learningového algoritmu pro hledání anomálií ve spotřebě Antiinfektiv nad daty ze systému eRecept. K vytvoření řešení je nutné načerpat teoretické znalosti z oblastí spotřeby Antiinfektiv, eReceptu a Machine learningu. Dále je pro tvorbu řešení nezbytné vytvořit algoritmy pro získávání dat ve vhodné podobě pro použití ML algoritmy. Tyto algoritmy získávají data ze zdrojových systémů, transformují je a následně je čerpá vybraná technologie s ML algoritmem. Následně jsou nalezené anomálie vizualizovány v nástroji Power BI. V první části je popsána metodika CRISP-DM a TDSP, kterými se řídí diplomová práce. Dále je poskytnut vhled do problematiky spotřeby Antiinfektiv (je znázorněna spotřeba Antiinfektiv u nás a v Evropě). Jsou popsány principy, na kterých stojí navržená architektura, jako je Low-code princip, Machine Learning as Service a Self Service Business Inteligence. Následně je navržena architektura budoucího řešení. Následuje je analýza a zpracování dat pro ML algoritmy a jednotlivé zvolené technologie (Power BI, Signalligence a Azure Machine Learning Studio). Následně jsou zhodnoceny jednotlivé technologie a vybráno řešení. Následně jsou vizualizovány nalezené anomálie pomocí nástroje Power BI. Hlavní přínos práce spočívá v poskytnutí specifického pohledu na to, zda je možné data z eReceptu využít pro zpracování pomocí Machine Learningových algoritmů.Hlavním cílem této diplomové práce je implementování Machine learningového algoritmu pro hledání anomálií ve spotřebě Antiinfektiv nad daty ze systému eRecept. K vytvoření řešení je nutné načerpat teoretické znalosti z oblastí spotřeby Antiinfektiv, eReceptu a Machine learningu. Dále je pro tvorbu řešení nezbytné vytvořit algoritmy pro získávání dat ve vhodné podobě pro použití ML algoritmy. Tyto algoritmy získávají data ze zdrojových systémů, transformují je a následně je čerpá vybraná technologie s ML algoritmem. Následně jsou nalezené anomálie vizualizovány v nástroji Power BI. V první části je popsána metodika CRISP-DM a TDSP, kterými se řídí diplomová práce. Dále je poskytnut vhled do problematiky spotřeby Antiinfektiv (je znázorněna spotřeba Antiinfektiv u nás a v Evropě). Jsou popsány principy, na kterých stojí navržená architektura, jako je Low-code princip, Machine Learning as Service a Self Service Business Inteligence. Následně je navržena architektura budoucího řešení. Následuje je analýza a zpracování dat pro ML algoritmy a jednotlivé zvolené technologie (Power BI, Signalligence a Azure Machine Learning Studio). Následně jsou zhodnoceny jednotlivé technologie a vybráno řešení. Následně jsou vizualizovány nalezené anomálie pomocí nástroje Power BI. Hlavní přínos práce spočívá v poskytnutí specifického pohledu na to, zda je možné data z eReceptu využít pro zpracování pomocí Machine Learningových algoritmů.The main goal of this diploma thesis is to implement a Machine learning algorithm for finding anomalies in the consumption of anti-infectives over data from the ePrescription system. To create a solution, it is necessary to gain theoretical knowledge in the areas of consumption of Anti-infectives, ePrescription and Machine Learning. Furthermore, in order to create a solution, it is necessary to create algorithms for data acquisition in a suitable form for the use of ML algorithms, these algorithms obtain data from source systems, transform them and then draw them on selected technology with ML algorithm. Subsequently, the found anomalies are visualized. The first part describes the CRISP-DM methodology, which is governed by the thesis. Furthermore, an insight into the issue of consumption of Anti-infective is provided (consumption of Anti-infectives in our country and in Europe is shown). The principles on which the proposed architecture is based are described, such as the Low-code principle, Machine Learning as Service and Self Service Business Intelligence. Subsequently, the architecture of the future solution is proposed. The next section describes data processing for ML agencies and individual selected technologies (Power BI, Signalligence and Azure Machine Learning Studio). Subsequently, the individual technologies are evaluated and one solution is selected, which is then verified with the State Institute for Drug Control that it is possible to use the technology in the existing architecture. Subsequently, the found anomalies are visualized. The main benefit of this work is to provide a specific view of whether the data from the ePrescription can be used for processing using Machine Learning algorithms
Resistencia a las avermectinas en bovinos parasitados por Cooperia spp.: comunicación preliminar
No full textResistencia a las avermectinas en bovinos parasitados por Cooperia spp. Comunicación preliminar.Fil: Anziani, Oscar Sergio. Instituto Nacional de Tecnología Agropecuaria. Centro Regional Santa Fe. Estación Experimental Agropecuaria Rafaela; ArgentinaFil: Zimmermann, Martin Guillermo. Universidad Nacional del Litoral. Facultad de Ciencias Veterinarias; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; ArgentinaFil: Guglielmone, Alberto Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina. Instituto Nacional de Tecnología Agropecuaria. Centro Regional Santa Fe. Estación Experimental Agropecuaria Rafaela; ArgentinaFil: Vasquez, R.. Instituto Nacional de Tecnología Agropecuaria. Centro Regional Corrientes. Estación Experimental Agropecuaria Mercedes; ArgentinaFil: Suarez, V.. Instituto Nacional de Tecnología Agropecuaria. Centro Regional La Pampa-San Luis. Estación Experimental Agropecuaria Anguil; Argentin
Oceňování zajištění škodního nadměrku v neživotním pojištění
No full textZřejmě nejčastěji je zajištění definováno jako pojištění pojišťoven. Tento instrument umožňuje cedentovi (obvykle pojišťovně) cedovat část svého rizika na zajistitele. V dnešní době hraje zajištění v pojišťovnictví zásadní roli, neboť již neslouží pouze k přenosu rizika, ale jeho vhodným strukturováním lze ovlivňovat solventnostní kapitálový požadavek pojišťovny. V několika posledních desetiletích byly publikovány různé přístupy k modelování zajištění a v současné době existuje mnoho pojistných matematiků specializujících se výlučně na tento obor. Disertační práce poskytuje přehled jednotlivých aspektů modelování neživotního neproporčního zajištění. Autor si není vědom existence jakékoliv ucelené publikace podobného rozsahu a zaměření. Nástin a možná řešení jednotlivých dílčích problémů mohou být k nalezení pouze v nejrůznějších článcích publikovaných po celém světě. Práce čerpá z aktuální světové odborné literatury a veškerá teorie je porovnána s přístupem užívaným v praxi, což autorovi umožnily jeho pracovní zkušenosti z pozic upisovatele zajištění a pojistného matematika u mezinárodního zajistného zprostředkovatele. Pořadí zpracovaných témat odpovídá jednotlivým krokům práce pojistného matematika modelujícího zajištění a každý z těchto kroků je detailně diskutován. Práce začíná přípravou dat pro vlastní modelování zajištění a vedle různých možností zohlednění historické inflace u jednotlivých škod jsou popsány jednotlivé modely vývoje škod na individuální bázi publikované v několika posledních letech včetně vlastního autorem navrženého stochastického modelu. Dále práce popisuje jednotlivé přístupy k modelování na základě historických škodních dat, tzv. "burning cost" metodu a též stochastický přístup, kde je důraz kladen především na pravděpodobnostní rozdělení výše škod s těžkými chvosty. Speciální pozornost je věnována modelování na základě údajů o expozici pojišťovny, které není běžně známou disciplínou mezi pojistnými matematiky pracujícími mimo zajištění, v práci jsou popsány rozdílné přístupy expozičního modelování k zajištění majetkového a odpovědnostního pojištění včetně mnoha autorových vlastních praktických doporučení. Jednotlivé přístupy k modelování zajištění jsou názorně aplikovány na reálných nebo reálně vypadajících datech podobných těm, která jsou zasílána zajistitelům jejich klienty pro účely obnov zajistných smluv.Probably the most frequently used definition of reinsurance is insurance for insurance companies, by reinsurance the cedant (insurance company) cedes part of the risk to the reinsurer. Reinsurance plays nowadays a crucial role in insurance industry as it does not only reduce the reinsured's exposure, but it can also significantly reduce the required solvency capital. In past few decades various approaches to reinsurance actuarial modelling were published and many actuaries are nowadays just reinsurance specialized. The thesis provides an overview of the actuarial aspects of modelling a non-life per risk and for motor third party liability per event excess of loss reinsurance structure, according to the author's knowledge no study of such wide scope exists and various aspects have to be found in various fragmented articles published worldwide. The thesis is based on recent industry literature describing latest trends and methodologies used, the theory is compared with the praxis as the author has working experience from underwriting at CEE reinsurer and actuarial reinsurance modelling at global reinsurance broker. The sequence of topics which are dealt corresponds to sequence of the steps taken by actuary modelling reinsurance and each step is discussed in detail. Starting with data preparation and besides loss inflation, more individual claims development methods are introduced and own probabilistic model is constructed. Further, burning cost analysis and probabilistic rating focused on heavy tailed distributions are discussed. A special attention is given to exposure rating which is not commonly known discipline among actuaries outside of reinsurance industry and different methodologies for property and casualty exposure modelling are introduced including many best practice suggestions. All main approaches to the reinsurance modelling are also illustrated on either real or realistically looking data, similar to those provided by European insurance companies to their reinsurers during renewal periods
- …
