| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Klienta sadarbības potenciāla novērtēšana ar mašīnmācīšanās metodēm |
| Nosaukums angļu valodā |
Evaluation of Customer Cooperation Potential Using Machine Learning Methods |
| Struktūrvienība |
12100 Informācijas tehnoloģijas institūts |
| Darba vadītājs |
Sergejs Paršutins |
| Recenzents |
Mg. sc. ing. Irīna Provorova |
| Anotācija |
Darba mērķis: izvērtēt un ar reāliem piemēriem izpētīt vai pēc uzņēmuma raksturlielumiem ir iespējams noteikt kāds ir konkrēta uzņēmuma potenciāls kā klientam uzņēmumam, kurš darbojas informācijas tehnoloģiju nozarē.
Darba risinājumi: izmantojot dažādu uzņēmumu, kuri reģistrēti Latvijā, Lietuvā un Igaunijā, raksturlielumus, kuri ir publiski pieejami, ievākta informācija no informācijas tehnoloģijas nozares pārdošanas ekspertiem par viņu vērtējumu, vai pēc šiem publiski pieejamajiem uzņēmumu raksturlielumiem, uzņēmuma potenciāls kā klientam informācijas tehnoloģijas pārdošanas uzņēmumam vērtējams kā zems, vidējs vai augsts. Šo informāciju apkopojot, izveidota apmācību datu kopu, ar kuru tika apmācīti modeļi, kuri izmantoja jau gatavus klasifikācijas algoritmus. Apmācītajam modelim tika iedota informācija par citiem uzņēmumiem, kuriem modelis centās noteikt pie kādas klases pieder šie uzņēmumi. Rezultāti tika analizēti kopā ar informācijas tehnoloģijas pārdošanas ekspertiem, lai noteiktu, vai algoritmu veiktā analīze uzskatāma par izmantojamu vai tomēr ir kāds cilvēcīgais faktors, kuru izmantotie algoritmi nespēj apgūt no dotās apmācību kopas.
Iegūtie rezultāti un to novērtējums: apstrādājot uzņēmumu publiski pieejamos raksturlielumus un apmācot modeli, kurš izmantoja izvēlētos algoritmus, netika iegūts vēlamais rezultāts. Modeļa prognozētā uzņēmuma piederība kādai noteiktai klasei nesakrita ar ekspertu vērtējumu. Izmantojot klasifikācijas koka konstruēšanas metodi, tika konstatēts, ka divas no klasēm modelis nosaka salīdzinoši precīzi, bet trešo klasi tikai pusē gadījumu spēj identificēt tā pat kā eksperti. Līdzīgi rezultāti bija arī izmantojot Naivo Baijesa algoritmu, bet atšķirībā no klasifikācijas koka, trešo klasi ar šo algoritmu modelis nav spējīgs noteikt. |
| Atslēgas vārdi |
Mašīnmācīšanās, Naivais Baijess, Klasifikācijas koks |
| Atslēgas vārdi angļu valodā |
Machine learning, Naive Bayes, Clasification tree |
| Valoda |
lv |
| Gads |
2019 |
| Darba augšupielādes datums un laiks |
31.05.2019 12:58:46 |
