| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Mašīnmācīšanās metožu pielietojums anomāliju noteikšanai laikrindu datos |
| Nosaukums angļu valodā |
Application of Machine Learning Methods for Anomaly Detection in Time-Series Data |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Vineta Minkēviča |
| Recenzents |
Ilze Bērziņa |
| Anotācija |
Anomāliju klātbūtne, to izpēte un prognozēšana datplūsmās ir nepieciešama esošo risinājumu uzlabošanai un potenciālo seku novēršanai jomās, piemēram, tirdzniecībā, ekonomikā, medicīnā, utt., kuru darbība ir atkarīga no procesa mainīguma. Tika veikta mašīnmācīšanās metodiku un laikrindu datu izpēte, to līdzšinējo problēmu un risinājumu analīze. Balstoties uz programmēšanas valodas Python izmantotākajām bibliotēkām laikrindu datu kontekstā, tika pielietoti mašīnmācīšanās algoritmi anomāliju noteikšanai laikrindu datos un to modeļu prognozei. Algoritmi ir izveidoti “Google Colaboratory” vidē, kas atbalsta Python bibliotēku implementāciju un ir piemērota datu analīzei.
Pētījuma mērķis ir analizēt mašīnmācīšanās metodes pielietojumu anomāliju noteikšanai laikrindu datos, izmantojot Python zināmākās bibliotēkas, datu kvalitātes apstrādes un rezultātu uzticamības paaugstināšanai un prognostisko datu noteikšanai. Analizējot iegūtos algoritmu datu rezultātus un ņemot vērā datu kontekstu, tika noteikti algoritmu efektivitātes variācijas.
Balstoties uz pētnieciskā darba veikto pētījumu, tika piedāvāti algoritmu izmantojuma priekšlikumi laikrindu datu anomāliju noteikšanai un modeļu darbības efektivitātes paaugstināšanai. Pētnieciskais darbs sastāv no 54 lapaspusēm, 2 attēliem, 10 formulām, 2 tabulām un 2 pielikumiem. |
| Atslēgas vārdi |
Mašīnmācīšanās, laikrindas, dati, anomālijas, Python, ARIMA, izolācijas mežs, lineārā regresija, izlases mežs |
| Atslēgas vārdi angļu valodā |
Machine Learning, Time Series, Data, Anomalies, Python, ARIMA, Isolation Forest, Linear Regression, Random Forest |
| Valoda |
lv |
| Gads |
2024 |
| Darba augšupielādes datums un laiks |
28.05.2024 12:48:49 |
