Outlier detection in employee attendance using artificial neural networks

Rád bych poděkoval vedoucímu práce, bez něhož by práce jistě nebyla dokončena.} Práce analyzuje úlohu detekce anomálií a způsoby jejího řešení. Podrobněji se věnuje neuronovým sítím a konkrétně vícevrstvým replikačním neuronovým sítím. Tyto sítě se snaží co nejpřesněji replikovat vstupní vektor, ale, protože obsahují takzvané úzké hrdlo, provádí ztrátovou kompresi vstupu a nemohou ho replikovat naprosto přesně. Díky tomu mají anomální data na výstupu větší chybu a lze je snadno odhalit. V této práci bylo ukázáno, že zvolená neuronová síť skutečně dokáže anomálie detekovat a na reálných datech je úspěšnější než algoritmy založené na přístupu hledání nejbližších sousedů.This work analyzes outlier detection and also several different approaches to the solution of this challenge. Main focus is set on multi-layered artificial neural networks, which can replicate the input vector. These networks use lossy compression, so the anomalies cannot be reproduced as well as normal data. It is shown, that artificial neural network, trained by backpropagation algorithm, successfully detects some kinds of anomalies in real data. Networks accuracy is then compared to other approaches, specifically methods which use $k$-nearest neighbour algorithm, and even achieves better results