| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Mašīnmācīšanās algoritmi veselības risku identificēšanā |
| Nosaukums angļu valodā |
Machine Learning Algorithms for Identification of Health Risks |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Inese Poļaka |
| Recenzents |
Sergejs Paršutins |
| Anotācija |
Ārstiem un dažādu jomu speciālistiem biežāk kļūst sarežģīti atklāt kopsakarības un cēloņus liela apjoma medicīnas datos, tādējādi datizraces un mašīnmācīšanās metodes būtiski palīdz prognozēt un agrīni diagnosticēt veselībai bīstamus riska faktorus un slimības. Darba izstrādes gaitā tiek analizētas Gistar un Uztura paradumu anketu datu kopas, prognozējot veselības risku, aptaukošanās, liekā un “normāla” svara būtiskākos faktorus un ar tiem saistītās slimības. Analītiskajā daļā pielietoja dažādas mašīnmācīšanās metodes: loģistiskā regresija, XGBoost, GBM, AdaBoost, CatBoost un nejaušais mežs, kā arī tika veikti vairāki eksperimenti ar mērķi balansēt mērķa klases. Rezultātu interpretējamībai tika izmantotas SHAP un LIME skaidrojošās metodes augstāko veiktspējas rezultātu modeļiem, uzzinot nozīmīgākos veselības riska ietekmes faktorus un ar to saistītās slimību prognožu varbūtības, kā arī piedāvājot parocīgu un vizuāli uzskatāmu modeli rezultātu atspoguļošanai. Darba apjoms – 106. lpp., 35 attēli, 9 tabulas, 13 pielikumi un 51 literatūras avots. |
| Atslēgas vārdi |
mašīnmācīšanās, klasifikācija, faktoru analīze, aptaukošanās, slimības risks |
| Atslēgas vārdi angļu valodā |
machine learning, classification, factor analysis, obesity, disease risk |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
18.05.2026 23:55:39 |
