Predikce popularity videí na sociálních sítích

Valášek, Tomáš

Publikace:
Predikce popularity videí na sociálních sítích

Diplomová práceopen access

dc.contributor.advisor	Hájek, Petr
dc.contributor.author	Valášek, Tomáš
dc.contributor.referee	Šanda, Martin
dc.date.accepted	2025-06-05
dc.date.accessioned	2025-07-07T07:33:36Z
dc.date.issued	2025
dc.date.submitted	2025-04-30
dc.description.abstract	Práce je věnována predikci popularity videí na sociálních sítích s využitím analytických metod a strojového učení. Sleduje a popisuje klíčové faktory ovlivňující potenciál růstu sledovanosti videa, věnuje se tvorbě vhodného predikčního modelu a jeho vyhodnocení.	cze
dc.description.abstract-translated	The thesis focuses on predicting the popularity of videos on social media using analytical methods and machine learning. It examines and describes key factors influencing the potential growth of video viewership, develops an appropriate predictive model, and evaluates its performance.	eng
dc.description.defence	Student přednesl obhajobu práce s názvem: Predikce popularity videí na sociálních sítích. Cílem práce bylo shrnout metody použitelné k predikci popularity videí, identifikovat klíčové atributy ovlivňující růst počtu zhlédnutí videa pro platformu YouTube a navrhnutí vlastního predikčního modelu, který dokáže úspěšnost vybraného videa odhadnout. Během rozpravy byly položeny dotazy dle posudku vedoucího a oponenta diplomové práce: Otázka vedoucího práce.: 1. Jak by se model změnil, pokud byste měl místo YouTube dat použít data z TikToku? Otázka vedoucího práce.: Do jaké míry je podle vás predikce popularity limitována tzv. algoritmickým zkreslením (např. vůči trendujícím tématům) a jak by se dal tento efekt v modelech minimalizovat? Otázka oponenta práce.: V podkapitole 1.2.1 je uvedeno, že long-form videa mají délku přesahující několik minut a short-form videa rozsah od 3 sekund do 10 minut. V podkapitole 3.2.4 uvádíte, že jste filtroval videa 60 sekund (str. 49 tištěné verze). Můžete vysvětlit na základě čeho byla podmínka stanovena? Otázka oponenta práce.: Máte představu, jak výrazně by se predikční model lišil, pokud byste se zaměřil na short-videa nebo jinou kategorii videí než herní videa? Otázka oponenta práce.: Jako nejúspěšnější model jste vyhodnotil XGBoost. Porovnejte tento model s jiným, méně úspěšným modelem a vysvětlete, proč byl podle Vás model XGBoost úspěšnější. Student na otázky reagoval.	cze
dc.description.department	Fakulta ekonomicko-správní	cze
dc.description.grade	Dokončená práce s úspěšnou obhajobou	cze
dc.format	84 s.
dc.identifier.stag	49484
dc.identifier.uri	https://hdl.handle.net/10195/85041
dc.language.iso	cze
dc.publisher	Univerzita Pardubice	cze
dc.rights	Bez omezení
dc.subject	strojové učení	cze
dc.subject	predikce	cze
dc.subject	analytika	cze
dc.subject	sociální sítě	cze
dc.subject	videotvorba	cze
dc.subject	popularita	cze
dc.subject	YouTube	cze
dc.subject	Python	cze
dc.subject	machine learning	eng
dc.subject	prediction	eng
dc.subject	analytics	eng
dc.subject	social media	eng
dc.subject	video creation	eng
dc.subject	popularity	eng
dc.subject	YouTube	eng
dc.subject	Python	eng
dc.thesis.degree-discipline	Aplikovaná informatika - Data Science pro business	cze
dc.thesis.degree-grantor	Univerzita Pardubice. Fakulta ekonomicko-správní	cze
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Aplikovaná informatika - Data Science pro business	cze
dc.title	Predikce popularity videí na sociálních sítích	cze
dc.title.alternative	Prediction of video popularity on social media	eng
dc.type	diplomová práce	cze
dspace.entity.type	Publication