| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Diagnostisku faktoru noteikšana ar mašīnapmācības metodēm |
| Nosaukums angļu valodā |
Identification of Diagnostic Criteria Using Machine Learning Methods |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Dr. sc. ing. Inese Poļaka |
| Recenzents |
Dr. sc. ing. Jurijs Korņijenko |
| Anotācija |
Darbā ir izpētītas iespējas kuņģa vēža diagnostisko faktoru noteikšanai ar mašīnapmācības metodēm. Par objektu tiek izmantotu 40 elpas sensoru sistēma.
Darba aktualitāte ir saistīta ar to, ka Latvijā kuņģa vēzis vairākkārt tiek sākts ārstēt vēlākās stadijās sakarā ar to, ka tradicionālie kuņģa vēža izmeklējuma veidi ir neērti vai invazīvi, tāpēc, savienojot medicīnas atklājumus un IT iespējas, tiek meklēti jauni diagnostikas veidi. Darba mērķis ir starp 40 elptestu sensoriem noteikt efektīvākos, darba uzdevumi ir veikt literatūras analīzi par elptestu sensoriem un to līdzšinējo pielietojumu, atlasīt informatīvākos sensorus ar atribūtu atlases metožu un klasifikācijas algoritmu palīdzību, apvienot sensoru un indivīdu raksturlielumu izpētes rezultātus, veikt to analīzi un klasifikācijas modeļu izstrādi, kā arī izdarīt secinājumus par pētījumu un sniegt rekomendācijas. Risinājumu veidi ir induktīvu koku konstruēšana ar C4.5 algoritma palīdzību un likumu indukcija ar Ripper algoritma palīdzību. Rezultātā tika konstatēti informatīvāko sensoru numuri, kā arī optimālā klasifikācijas metode. Atlasītu sensoru skaits ir 10, un tos var izmantot tālākai pārbaudei klīniskos apstākļos un labu rezultātu gadījumā – arī vienkāršāku iekārtu izveidei. Starp algoritmiem ir izvēlēts algoritms Ripper, kura precizitāte ir 80 %. Rezultāts ir pietiekami apmierinošs rādījums, taču ir vēlams turpināt pētījumu, papildinot iegūtās zināšanas par diagnostikas procesu, izmantojot mašīnapmācības metodes.
Darba apjoms - 68. lpp., 14 tabulas, 8 attēli un 2 pielikumi. |
| Atslēgas vārdi |
sensoru analīze, mašīnapmācība, induktīvie lēmumu koki, klasifikācijas modeļi, likumu indukcija, atribūtu atlase, C4.5 algortims, Ripper algoritms, diagnostika, kuņģa vēzis |
| Atslēgas vārdi angļu valodā |
sensor analysis, machine learning, classification trees, Rule-Based Classification, C4.5 algorythm, Ripper algorythm, gastric cancer |
| Valoda |
lv |
| Gads |
2016 |
| Darba augšupielādes datums un laiks |
01.06.2016 23:44:25 |
