Algoritmy strojového učení v průmyslovém IoT

Abstract

Tato práce se zaměřuje na analýzu dostupných nástrojů strojového učení na trhu a jejich srovnání na základě kritérií, kterými jsou cena (open-source, komerční řešení, trial verze atd.), rozsahu zpracovaných dat (big data, malé množství dat) a způsobu zpracování dat (v lokální síti, v cloudu, zpracování/analýza třetí stranou, real-time vs postprocessing). Součástí práce je také demo zabývající se predikcí pokrytí oblasti bezdrátovou sítí LTE s využitím strojového učení. Pokrytí na jednotlivých místech je predikováno na základě naměřených dat v okolních oblastech. Data byla naměřena v oblasti Bratronice pomocí měřicího přístroje F-Tester 4drive-box. Pro zpracování dat a následnou predikci byl využit nástroj Altair RapidMiner Studio.

This thesis focuses on a review of available machine learning tools on the market. The applications are categorised in terms of affordability (open source, trial version, commercial solution, etc.), the scope of processed data (big data, small amount of data) and the method of data processing (local network, cloud, third-party processing/analysis, real-time vs postprocessing). The thesis also includes a demo that addresses the prediction of LTE wireless network coverage using machine learning. The coverage in the specific locations is predicted based on data measured in other places. Data were measured in Bratronice using the F-Tester 4drive-box, and the Altair RapidMiner Studio tool was utilized for data processing and subsequent prediction.