| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Izskaidrojamā mākslīgā intelekta (xAI) metožu analīze sirds slimību prognozēšanā |
| Nosaukums angļu valodā |
Analysis of Explainable AI (xAI) Methods in Heart Disease Predictions |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Vita Šakele |
| Recenzents |
Daniels Gorovojs |
| Anotācija |
Šajā bakalaura darbā tiek pētīta izskaidrojama mākslīgā intelekta metožu izmantošana mašīnmācīšanās balstītu sirds slimību prognozēšanas modeļu interpretēšanai. Pētījums pievēršas nepieciešamībai pēc caurspīdīgas modeļa uzvedības analīzes, kad medicīniskajiem datiem tiek piemērotas prognozēšanas sistēmas. Izmantojot tabulārus klīniskos datus, tika ieviests prognozēšanas ietvars, kas balstīts uz Random Forest klasifikatoru, un tika izmantotas post-hoc izskaidrojamības metodes, lai analizētu gan globālo pazīmju nozīmīgumu, gan individuālos prognozēšanas rezultātus.
Eksperimentālie rezultāti parāda, ka izvēlētā modelēšanas pieeja nodrošina stabilu prognozēšanas veiktspēju un ļauj jēgpilni interpretēt modeļa lēmumus. Izmantotās izskaidrojamības metodes ļauj identificēt klīniski nozīmīgas pazīmes un atbalsta prognozēšanas uzvedības analīzi robežgadījumos un nepareizi klasificētos gadījumos. Iegūtie rezultāti apstiprina, ka izskaidrojama mākslīgā intelekta metodes var uzlabot prognozējošo modeļu interpretējamību, neapdraudot to praktisko veiktspēju medicīnas kontekstā.
Darba apjoms ir 51 lappuses, ieskaitot 3 tabulas, 11 attēlus, 3 pielikumus un 40 informācijas avots. |
| Atslēgas vārdi |
Izskaidrojams mākslīgais intelekts, sirds slimību prognozēšana, mašīnmācīšanās, modeļu interpretējamība |
| Atslēgas vārdi angļu valodā |
Explainable artificial intelligence, heart disease prediction, machine learning, model interpretability |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
06.01.2026 22:19:09 |
