| Form of studies |
Master |
| Title of the study programm |
Information Technology |
| Title in original language |
Klasifikācijas modeļu validācija un izvēle sensoru datu analīzē diagnozes noteikšanai |
| Title in English |
Classification Models Validation and Selection for Sensor Data Analysis for Diagnostics |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Inese Poļaka |
| Reviewer |
Dr. sc. ing. Arnis Kiršners |
| Abstract |
Dotais darbs apskata iespējas klasifikācijas modeļu izveidei, pamatojoties uz izelpas sensoru datiem, šo modeļu spējas atpazīt kuņģa vēzi analīzi un salīdzinājumu. Darba pētījuma objekts ir datu kopa, kas sasaista 8 elpas sensoru mērījumus ar 190 cilvēkiem.
Darba aktualitāte ir saistīta ar to, ka tradicionālie slimību diagnostikas veidi visbiežāk ir invazīvi un pacientiem neērti, tie pamazām aiziet pagātnē, bet mākslīga intelekta iesaiste medicīnā mūsdienās attīstās, jo tas sniedz cilvēkam iespēju atklāt jaunus diagnostikas veidus, padarīt tos ātrākus, drošākus un automatizētākus un tādejādi efektīvākus. Šīs darbs ir viens solis medicīniskas diagnostikas uzlabošanā, un tas sniedz priekšstatu par to, kā noteikt likumsakarības medicīnas datos, izmantojot mašīnapmācības metodes. Darba mērķis ir balstoties uz 8 elpas sensoru mērījumu datiem izveidot optimālāko klasifikācijas modeli slimo un veselo cilvēku izšķiršanai, darba uzdevumi ir izpētīt populārākas klasifikācijas metodes un algoritmus, veicot atbilstošas literatūras analīzi un metožu eksperimentālo izpēti; novērtēt eksperimentu rezultātus, ja nepieciešams veikt modeļu adaptāciju, lai panāktu optimālākus rezultātus; un visbeidzot sniegt rekomendācijas kuņģa vēža atpazīšanai, izmantojot elptestus. Risinājumu veidi ir sekojošo algoritmu pielietošana klasifikācijas modeļu konstruēšanai: lineārais klasifikācijas algoritms SVM (jeb Atbalsta vektoru mašīna), koku konstruēšanas algoritmi Random Forest, C4.5, likumu indukcijas algoritmi ZeroR, Ripper un neironu tīkls daudzslāņu perceptrons. Rezultātā tika atklāts optimālākais modeļa adaptācijas veids, kas balstās uz svaru piešķiršanu klasēm un Ripper algoritma pielietošanu datu kopai.
Darba apjoms - 83 lpp., 21 tabula, 9 attēli un 1 pielikums. |
| Keywords |
klasifikācijas modeļu validācija, mašīmapmācība, klasifikācijas algoritmi, datu ieguve, sensoru datu analīze, kuņģa vēzis |
| Keywords in English |
classification models validation, machine learning, classification algorithms, data mining, sensor data analysis, gastric cancer |
| Language |
lv |
| Year |
2019 |
| Date and time of uploading |
09.01.2019 12:53:54 |
