Personalized Cloud Recommendations

Murodov, Shohjahon

Personalized Cloud Recommendations

DSpace Repository

Language: English čeština

Personalized Cloud Recommendations

dc.contributor.advisor	Šenkeřík, Roman
dc.contributor.author	Murodov, Shohjahon
dc.date.accessioned	2025-12-10T23:09:50Z
dc.date.available	2025-12-10T23:09:50Z
dc.date.issued	2024-10-27
dc.identifier	Elektronický archiv Knihovny UTB
dc.identifier.uri	http://hdl.handle.net/10563/57732
dc.description.abstract	Tato diplomová práce se zabývá využitím strojového učení, konkrétně technikami shlukování a klasifikace, k vytvoření personalizovaného systému doporučení cloudových služeb, který segmentuje uživatele a přiřazuje jim nejvhodnější cloudové zdroje na základě jejich stopy využití cloudu. Práce ukazuje, jak tyto poměrně jednoduché, ale výkonné modely strojového učení mohou vést k slibným výsledkům. Dále je v této práci proveden výzkum, že kombinace těchto modelů s dalšími algoritmy a modely umělé inteligence, jako je ranking, posilující učení (reinforcement learning) a velké jazykové modely, nejen mohou vylepšit výsledky doporučování, jaké cloudové zdroje použít, ale také mohou generuje skripty, konkrétně kód terraform, který automaticky spravuje škálování zdrojů v daném čase na základě potřeb.
dc.format	66 p. 13124 words
dc.language.iso	en
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	cloudové doporučovací systémy	cs
dc.subject	umělá inteligence	cs
dc.subject	strojové učení	cs
dc.subject	cloud recommendation	en
dc.subject	artificial intelligence	en
dc.subject	machine learning	en
dc.title	Personalized Cloud Recommendations
dc.title.alternative	Personalized Recommendations for Cloud Services
dc.type	diplomová práce	cs
dc.contributor.referee	Kotyrba, Martin
dc.date.accepted	2025-06-18
dc.description.abstract-translated	This thesis has studied the utilization of machine learning (ML), specifically clustering and classification techniques to build personalized cloud recommendation system that segments users with assigning the most suitable cloud resources based on their cloud usage footprint. The work shows how these rather simpler, yet powerful ML models may lead to a promising result. It further analyzes that combining these models with other artificial intelligence (AI) algorithms and models such as ranking, reinforcement learning (RL) and large models (LLMs) not only recommends what cloud resources to use but also generates scripts specifically terraform code that automatically manages scaling the resources at a given time based on needs.
dc.description.department	Ústav informatiky a umělé inteligence
dc.thesis.degree-discipline	Software Engineering	cs
dc.thesis.degree-discipline	Software Engineering	en
dc.thesis.degree-grantor	Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky	cs
dc.thesis.degree-grantor	Tomas Bata University in Zlín. Faculty of Applied Informatics	en
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Information Technologies	cs
dc.thesis.degree-program	Information Technologies	en
dc.identifier.stag	70131
dc.date.submitted	2025-06-04