| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Klasisko un dziļo mašīnmācīšanās algoritmu salīdzinājums veselības datu anomāliju noteikšanā |
| Nosaukums angļu valodā |
Comparison of Classical and Deep Machine Learning Methods for Anomaly Detection in Healthcare Data |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Agate Jarmakoviča |
| Recenzents |
Olga Krutikova |
| Anotācija |
ANOMĀLIJU NOTEIKŠANA, VESELĪBAS DATI, MAŠĪNMĀCĪŠANĀS,
KLASISKIE ALGORITMI, DZIĻĀ MAŠĪNMĀCĪŠANĀS, SALĪDZINĀJUMS
Mūsdienu medicīnā strauji pieaug digitālo datu apjoms, un jebkuras kļūdas vai
nepamanītas izmaiņas šajos datos var tieši ietekmēt datu analīzes precizitāti, tāpēc
savlaicīga anomāliju noteikšana veselības datos ir kļuvusi par kritiski svarīgu
uzdevumu veselības aprūpes sistēmā. Bakalaura darba mērķis ir izvērtēt un salīdzināt
klasiskos un dziļās mašīnmācīšanās algoritmus veselības datu anomāliju identificēšanā,
lai noteiktu, kuras metodes precīzāk uzlabo datu kvalitāti. Darba ietvaros tika izpētīti
abu pieeju teorētiskie pamati, kā arī praktiski realizēti algoritmi, izmantojot publiski
pieejamu veselības datu kopu, un modeļu veiktspējas novērtēšanai tika izmantotas
metrikas, kas ir piemērotas veselības datu specifikai. Eksperimentu rezultāti parādīja,
ka klasiskie algoritmi spēj efektīvāk identificēt noteikta tipa anomālijas, vienlaikus
dziļās mašīnmācīšanās algoritmi retāk klasificē normālus gadījumus kā anomālijas.
Šajā eksperimentā ar izvēlēto datu kopu labākos rezultātus uzrādīja klasiskie algoritmi,
taču darba noslēgumā tika secināts, ka algoritmu darbība ir cieši saistīta ar pašu datu
struktūru un īpašībām.
Darba saturs – 52 lappuses, 27 attēli, 4 tabulas un 40 informācijas avoti. |
| Atslēgas vārdi |
ANOMĀLIJU NOTEIKŠANA, VESELĪBAS DATI, MAŠĪNMĀCĪŠANĀS, KLASISKIE ALGORITMI, DZIĻĀ MAŠĪNMĀCĪŠANĀS, SALĪDZINĀJUMS |
| Atslēgas vārdi angļu valodā |
ANOMALY DETECTION, HEALTHCARE DATA, MACHINE LEARNING, CLASSICAL ALGORITHMS, DEEP MACHINE LEARNING, COMPARISON |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 12:18:47 |
