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.
Anotace v angličtině
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
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.
Anotace v angličtině
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
Cíle práce: shrnout současné přístupy k predikci nemocnosti zaměstnanců, charakterizovat vhodné metody strojového učení, charakteristika a předzpracování dat o nemocnosti zaměstnanců ve firmě Škoda Auto, navrhnout model predikce nemocnosti zaměstnanců a jeho použití na datech této firmy.
Osnova:
- Současné přístupy k predikci nemocnosti
- Charakteristika vybraných metod strojového učení
- Charakteristika dat
- Predikce nemocnosti zaměstnanců pomocí vybraných metod strojového učení
- Zhodnocení výsledků
Zásady pro vypracování
Cíle práce: shrnout současné přístupy k predikci nemocnosti zaměstnanců, charakterizovat vhodné metody strojového učení, charakteristika a předzpracování dat o nemocnosti zaměstnanců ve firmě Škoda Auto, navrhnout model predikce nemocnosti zaměstnanců a jeho použití na datech této firmy.
Osnova:
- Současné přístupy k predikci nemocnosti
- Charakteristika vybraných metod strojového učení
- Charakteristika dat
- Predikce nemocnosti zaměstnanců pomocí vybraných metod strojového učení
- Zhodnocení výsledků
Seznam doporučené literatury
SCHAUFELI, Wilmar B., BAKKER, Arnold B., VAN RHENEN, Willem. How changes in job demands and resources predict burnout, work engagement, and sickness absenteeism. Journal of Organizational Behavior: The International Journal of Industrial, Occupational and Organizational Psychology and Behavior, 2009, roč. 30, č. 7, s. 893-917.
CAVERLEY, Natasha, CUNNINGHAM, J. Barton, MACGREGOR, James N. Sickness presenteeism, sickness absenteeism, and health following restructuring in a public service organization. Journal of Management Studies, 2007, roč. 44, č. 2, s. 304-319.
MEREKOULIAS, Georgios, ALEXOPOULOS, Evangelos C. Prediction tools for sickness absenteeism. International Journal of Workplace Health Management, 2015, roč. 8, č. 2, s. 142-151.
WITTEN, Ian H., FRANK, Eibe, HALL, Mark A. Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam: Morgan Kaufmann, 2016. ISBN 978-0-12-374856-0.
Seznam doporučené literatury
SCHAUFELI, Wilmar B., BAKKER, Arnold B., VAN RHENEN, Willem. How changes in job demands and resources predict burnout, work engagement, and sickness absenteeism. Journal of Organizational Behavior: The International Journal of Industrial, Occupational and Organizational Psychology and Behavior, 2009, roč. 30, č. 7, s. 893-917.
CAVERLEY, Natasha, CUNNINGHAM, J. Barton, MACGREGOR, James N. Sickness presenteeism, sickness absenteeism, and health following restructuring in a public service organization. Journal of Management Studies, 2007, roč. 44, č. 2, s. 304-319.
MEREKOULIAS, Georgios, ALEXOPOULOS, Evangelos C. Prediction tools for sickness absenteeism. International Journal of Workplace Health Management, 2015, roč. 8, č. 2, s. 142-151.
WITTEN, Ian H., FRANK, Eibe, HALL, Mark A. Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam: Morgan Kaufmann, 2016. ISBN 978-0-12-374856-0.
Přílohy volně vložené
CD ROM
Přílohy vázané v práci
grafy, tabulky
Převzato z knihovny
Ne
Plný text práce
Přílohy
Odůvodnění nezveřejnění VŠKP
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student představil základní teze své diplomové práce. Uvedl cíl diplomové práce, způsob řešení a prezentoval výsledky, kterých dosáhl. V rámci rozpravy odpověděl na otázky vedoucího a oponenta práce a i na následující otázky od členů komise:
Na straně 33 máte obrázek 2 a uvádíte, že se jedná o váš návrh, je opravdu váš, nebo je pouze upraven podle literatury? Jak tento obrázek neuronu koresponduje s rovnicemi na straně 20 a 21? Jaký je rozdíl mezi rozhodovacím stromem a rozhodovacím lesem? Jakým způsobem jste řešil problematiku práce časovou řadou zaměstnanců. Do které kategorie modelů patří algoritmus, který dává nejlepší výsledky.
Student na otázky odpověděl a diplomovou práci obhájil.