| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Likumos balstītu un vienkāršu mašīnmācīšanās pieeju salīdzinoša analīze lietotāja saskarnes komponentu izvēlē |
| Nosaukums angļu valodā |
Comparative Analysis of Rule-based and Simple Machine Learning Approaches in User Interface Component Selection |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Kristaps Babris |
| Recenzents |
Evelīna Budiloviča |
| Anotācija |
Darbā tiek risināts UI komponentu izvēles vadlīniju formalizācijas uzdevums - cik labi atšķirīgas algoritmiskas pieejas spēj rekonstruēt izvēles loģiku, kas iekļauta nozares standartos Material Design 3, Apple HIG un WCAG 2.1. Tiešs salīdzinājums starp likumos balstītām un vienkāršām mašīnmācīšanās pieejām šādam uzdevumam uz vieniem un tiem pašiem datiem zinātniskajā literatūrā nav atrasts. Bakalaura darba mērķis ir veikt šādu salīdzinošu analīzi, novērtējot pieeju efektivitāti, interpretējamību un to piemērotību adaptīvu saskarņu izstrādei. Mērķa sasniegšanai veikta literatūras analīze, formalizēts UI komponentu izvēles uzdevums, definēti četri salīdzināšanas kritēriji un realizētas četras pieejas - kompakta eksperta likumu kopa un trīs interpretējami mašīnmācīšanās modeļi: lēmumu koks, CN2 un RIPPER. Visas četras pieejas darbojas uz identiskas 18 pazīmju ievades telpas. Eksperimentālā datu kopa veidota kā sintētiska un no nozares vadlīnijām deterministiski iegūta, jo rekonstrukcijas precizitātes mērīšana prasa etalonu ar zināmu un kontrolējamu loģisko struktūru, ko reāli dati nepiedāvā. Mašīnmācīšanās pieejas sasniedz augstāku rekonstrukcijas precizitāti (aptuveni 90-94 %), bet eksperta likumu kopa ar 79 % precizitāti nodrošina augstāku interpretējamību un nav atkarīga no apmācības datiem. Šajā eksperimentā CN2 algoritms uzrāda labāko līdzsvaru starp abām dimensijām. Iegūtie secinājumi attiecas uz vadlīniju formalizācijas uzdevumu - reālu dizaineru lēmumu prognozēšana ir atsevišķs pētniecības virziens ar atšķirīgām datu prasībām. Darba apjoms: 67 lappuses, 12 tabulas, 3 attēli, 32 informācijas avoti, 1 pielikums. |
| Atslēgas vārdi |
UI KOMPONENTU IZVĒLE, LIKUMOS BALSTĪTAS PIEEJAS, MAŠĪNMĀCĪŠANĀS, INTERPRETĒJAMĪBA, SALĪDZINOŠĀ ANALĪZE. |
| Atslēgas vārdi angļu valodā |
UI COMPONENT SELECTION, RULE-BASED APPROACHES, MACHINE LEARNING, INTERPRETABILITY, COMPARATIVE ANALYSIS. |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 16:23:22 |
