Noslēguma darbu reģistrs
  
Studiju darba apraksts
Studiju veids maģistra akadēmiskās studijas
Studiju programmas nosaukums Biznesa informātika
Nosaukums Mašīnu apmācība studentu aptaujas datu analīzei
Nosaukums angļu valodā Machine Learning for Supporting Student Survey Data Analysis
Struktūrvienība 33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Darba vadītājs Ilze Birzniece
Recenzents Ilze Andersone
Anotācija 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.
Atslēgas vārdi STUDENTU ANKETĒŠANA, MAŠĪNAPMĀCĪBA
Atslēgas vārdi angļu valodā STUDENT SURVEYING, MACHINE LEARNING
Valoda eng
Gads 2015
Darba augšupielādes datums un laiks 28.05.2015 16:27:06