| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Klasifikācijas modeļu validācija un izvēle sensoru datu analīzē diagnozes noteikšanai |
| Nosaukums angļu valodā |
Classification Models Validation and Selection for Sensor Data Analysis for Diagnostics |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Inese Poļaka |
| Recenzents |
Dr. sc. ing. Arnis Kiršners |
| Anotācija |
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. |
| Atslēgas vārdi |
klasifikācijas modeļu validācija, mašīmapmācība, klasifikācijas algoritmi, datu ieguve, sensoru datu analīze, kuņģa vēzis |
| Atslēgas vārdi angļu valodā |
classification models validation, machine learning, classification algorithms, data mining, sensor data analysis, gastric cancer |
| Valoda |
lv |
| Gads |
2019 |
| Darba augšupielādes datums un laiks |
09.01.2019 12:53:54 |
