05250ntm a22005897i 4500 000128769 CZ-PrVSE 20211016190053.0 m d cr n|||||||||| 211016s2021 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Lutovský, Miroslav ISIS:118880 dis Use of Machine Learning algorithm to prevent undesirable conditions within electronic prescription eng Využití Machine Learningového algoritmu k předcházení nežádoucích stavů v rámci elektronické preskripce / Miroslav Lutovský 2021 ?? stran : digital, PDF soubor Vedoucí práce: Martin Potančok Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2021 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2021 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.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 po 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. Způsob přístupu: Internet informační systémy a technologie [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas CRISP-DM Signalligence Antiinfektiva Datová analýza Hledání anomálií eRecept Power BI Časové řady Machine learning Azure Machine Learning studio Potančok, Martin vse20201071395 ths Zimmermann, Pavel, 1980- jo20251268570 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/70001/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/70001 Hlavní práce https://insis.vse.cz/zp/70001/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/70001/posudek/oponent/68727 Oponentura https://insis.vse.cz/zp/70001/podrobnosti dc:identifier NEPOSILAT VSKP vse70001 211013 70001