| Form of studies |
Master |
| Title of the study programm |
Business Informatics |
| Title in original language |
Mašīnu apmācība studentu aptaujas datu analīzei |
| Title in English |
Machine Learning for Supporting Student Survey Data Analysis |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Ilze Birzniece |
| Reviewer |
Ilze Andersone |
| Abstract |
Semestra beigās veicamā studentu aptauja ir viena no svarīgākajām un plaši pielietojamākajām metodēm studentu atgriezeniskās saites ieguvei par studiju kursu un pasniedzēju. Neskatoties uz to, ka ir jāiegulda daudz darba analīzes posmā, jo tā jāveic manuāli, iegūtie dati satur daudz nozīmīgas informācijas. Mašīnapmācības tehnikas var tikt lietotas arī tādu datu klasifikācijai, kuros nepastāv lineāras sakarības. Šajā kategorijā ietilpst arī anketēšanas rezultātu analīze. “Baltās kastes” algoritmu spēja atspoguļot cilvēkiem saprotamus un pārskatāmus modeļus padara mašīnapmācības algoritmus piemērotus studentu aptauju rezultātu analīzei. Šī maģistra darba mērķis ir studentu ik semestra anketēšanas rezultātu analīzes daļēja automatizācija, izmantojot datu ieguves procesu un mašīnapmācības algoritmus, lai veiktu konkrētāku informācijas atlasi tālākai analīzei. Lai sasniegtu šo mērķi un iegūtu augstāku atlasīto datu atbilstību iecerētajam mērķim, ir izpēti dažādi studentu atgriezenisks saites novērtēšanas modeļi un perspektīvas. Lai atspoguļotu procesu visai modelēšanas gaitai, ir izmantots CRISP-DM process. Tiek pielietoti gan “baltās kastes”, gan “melnās kastes” algoritmi, jo pirmie ļauj izprast sakarības pašā modelī, kas ir svarīga tehnoloģijas pieņemšanas sastāvdaļa, bet otrie ievērojami labāk tiek galā ar nelineārām problēmām. Algoritma darbības rezultātā tika identificēti būtiskākie aptaujas jautājumi un tika iegūta 86% prognozēšanas precizitāte viena semestra anketēšanas rezultātu datu kopā. |
| Keywords |
STUDENTU ANKETĒŠANA, MAŠĪNAPMĀCĪBA |
| Keywords in English |
STUDENT SURVEYING, MACHINE LEARNING |
| Language |
eng |
| Year |
2015 |
| Date and time of uploading |
28.05.2015 16:27:06 |
