BP_Radek_Pus_2019.tex

\section{Frontend}
Webová část by mohla zcela jistě být rozšířena také o další funkcionality, ačkoli rozšíření funkcionalit na frontendu aplikace téměř vždy implikuje i rozšíření backendu.

Jednou z možností je například doporučování produktů na základě provedených transakcí. I když výstup by v tomto případě byl velmi jednoduchý (jeden textový box), následná implementace logiky by byla velmi rozsáhlá. Bylo by třeba implementovat zcela novou rekomandační umělou inteligenci, která by byla navázaná na výsledky, už implementované, umělé inteligence na předpovídání transakcí.

Další funkcionalitou by mohlo být označování transakcí uživatelem. Mohly by to být třeba kategorie (drogerie, potraviny). Uživatel by též mohl označovat transakce, které považuje za opakující se a které nikoliv. Tím mohl vylepšit výsledky předpovídání budoucích transakcí.

Další možností by mohlo být propojení s emailovým účtem - notifikace po určitém počtu špatných přihlášení, přihlášení na novém zařízení nebo obnova hesla emailem.

Nakonec by stálo za zmínku vytvořit formulář, do kterého by uživatel doplnil o sobě nějaká data. Mohlo by to být pohlaví, věk, velikost města, ve které bydlí atp. To by byl další způsob, jak zvýšit množství vstupů a vylepšit tak předpovědi umělé inteligence.

\begin{conclusion}
Pro svou práci jsem si nastudoval syntaxi a použití jazyků, jmenovitě Typescriptu, Angularu a C\# ve spojení z Entity frameworkem, na kterém jsem založil webovou aplikaci jako takovou. Od firmy Trask Solutions a.s. jsem si zajistil data a ty obohatil o druhy konstantních symbolů. Následně jsem na nich učil umělou inteligenci. Předpovídání transakcí umělou inteligenci jsem ještě doplnil o předpovídání na základě průměrů a porovnávání částek.

V práci se mi podařilo umělou inteligenci vytrénovat do té míry, že je do určité míry schopna předpovědět chování uživatelů. Pro lešpí předpovědi by však bylo vhodné mít rozsáhlejší data.

Jako možná další zásadní rozšíření bych uvedl doporučování produktů na základě mnou implementované umělé inteligence. Na základě velikosti útraty, počtu transakcí za určité období a produktů ostatních uživatelů by mohla, např. pomocí kolaborativního filtrování, doporučovat uživatelům bankovní produkty.

\end{conclusion}

\bibliographystyle{csn690}
\bibliography{mybibliographyfile}

\appendix

\chapter{Seznam použitých zkratek}
\begin{description}
	\item [ARES] Administrativní registr ekonomických subjektů
	\item [API] Application Programming Interface
	\item [CSRF] Cross-site request forgery
	\item [CSV] Comma-separated values
	\item [HTTP] Hypertext Transfer Protocol
	\item [ID] identifikátor
	\item [JSON] JavaScript Object Notation
	\item [JWT] JSON Web Token
	\item [KS] konstantní symbol
	\item [MFČR] Ministerstvo financí České Republiky
	\item [NoSQL] non SQL
	\item [SQL] Structured Query Language
	\item [SS] specifický symbol
	\item [VREO] elektronický opis Veřejného rejstříku
	\item [VS] variabilní symbol
	\item [XOR] Exkluzivní disjunkce
\end{description}

\chapter{Přiložené soubory}
\begin{description}
	\item [DB\textunderscore diagram.png] Kompletní diagram datového modelu\label{DBdiagram}
	\item [KB\textunderscore VREO.xml] Výpis z VREO (Komerční banka)
	\item [AirBank.csv] Importní soubor Air Bank
	\item [CSAS.csv] Import České spořitelny
	\item [CSOB.csv] Import ČSOB
	\item [Trask.csv] Importní data dodaná firmou Trask Solutions
	\item [Example.csv] Příklad ideálních dat
\end{description}

\chapter{Obsah přiloženého CD}
\begin{figure}
	\dirtree{%
		.1 readme.txt\DTcomment{stručný popis obsahu CD}.
		.1 src.\DTcomment{zdrojové kódy implementace}.
		.2 BP\textunderscore Radek\textunderscore Pus\textunderscore 2019.tex\DTcomment{zdrojová forma práce ve formátu \LaTeX{}}.
		.1 publish\DTcomment{adresář se spustitelnou formou implementace}.
		.1 text\DTcomment{text práce}.
		.2 BP\textunderscore Radek\textunderscore Pus\textunderscore 2019.pdf\DTcomment{text práce ve formátu PDF}.
		.1 Přílohy\DTcomment{přiložené soubory (Příloha B)}.
	}
\end{figure}

\end{document}