| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Mašīnmācīšanās metožu pielietošana ūdens piesārņojuma noteikšanai |
| Nosaukums angļu valodā |
Application of Machine Learning Methods to Determine the Type of Water Pollution |
| Struktūrvienība |
12100 Informācijas tehnoloģijas institūts |
| Darba vadītājs |
Sergejs Paršutins |
| Recenzents |
Žanis Bondars |
| Anotācija |
Ūdens piesārņojums neatkarīgi no veida, ir problēma, kas kļūst arvien nopietnāka un
kas negatīvi ietekmē gandrīz visus dzīvos organismus, kas dzīvo vienā ekosistēmā.
Mūsdienās, ūdens piesārņojumu pārsvarā nosaka manuāli laboratorijās, bet dažos gadījumos
ūdens piesārņojumu nosaka pēc tam, kad ūdens jau ir negatīvi ietekmējis ekosistēmu. Tāpēc
darba mērķis ir novērtēt iespēju pielietot mašīnmācīšanās metodes ūdens piesārņojumu
noteikšanai izmantojot ūdens fizioķīmiskos sensorus. Kopumā tika pielietotas trīs
mašīnmācīšanās metodes: k-tuvākie kaimiņi (KTK), klasifikācijas koks (KK) un nejaušs mežs
(NM). Katras metodes modelis tiek pielietots multiklasifikācijā kā arī binārajā klasifikācijā. Visi metožu modeļi tika pielietoti standarta konfigurācijā un mainot parametrus. Katrs modelis vispirms tika pārbaudīts uz apmācības datiem, izmantojot noslāņotu 10-kārtēju šķērsvalidāciju, un tad modelis tika pārbaudīts uz validācijas datiem. Kopumā multiklasifikācijā visas metodes piedāvāja relatīvi neapmierinošus rezultātus, bet vislabākā metode ir modificēts KTK modelis ar 74% kopējo klasifikācijas precizitāti. Binārajā klasifikācijā visu modeļu veiktspējas uzlabojās, bet vēl joprojām piedāvātie rezultāti ir relatīvi slikti. Labākie modeļi, kurus bija iespējams atrast, binārajā klasifikācijā ir modificēts KTK un modifcēts NM, kuru kopējā klasifikācijas precizitāte vidēji ir 87%. |
| Atslēgas vārdi |
mašīnmācīšanās ūdens piesārņojums |
| Atslēgas vārdi angļu valodā |
machine learning water pollution |
| Valoda |
lv |
| Gads |
2022 |
| Darba augšupielādes datums un laiks |
30.05.2022 16:08:24 |
