Empirijsko istraživanje algoritama strojnog učenja temeljenog na pogrešci

master's thesis

• Title (english): Empirical investigation of error based machine learning algorithms
• Author: Valentina Tucelj
• Mentor: Dijana Oreški (mentor); MBZ: 318615
• Committee member: Božidar Kliček (član povjerenstva); MBZ: 95426
• Granter: University of Zagreb; Faculty of Organization and Informatics; (Department of Information Systems Development); Varaždin
• Defense date and country: 2024-07-01, Croatia
• Scientific / art field, discipline and subdiscipline: SOCIAL SCIENCES; Information and Communication Sciences; Organization and Informatics

Abstract

Generiranjem ogromnih količina podataka, analiza istih postala je vrlo izazovan zadatak za čovjeka. Iz tog razloga bi razvoj modela treniranih nad podacima od interesa koji služe kao potpora u donošenju odluka i raznim analizama trebao igrati ključnu ulogu u većini tvrtki koje ne žele zaostajati za svojom konkurencijom. U ovom radu teorijski i praktično su obrađena četiri algoritma strojnog učenja temeljenog na pogrešci: Perceptron, višeslojni perceptron s metodom širenja unatrag, radijalne bazne funkcije i metoda potpornih vektora kako bi mogla biti provedena njihova usporedba. Nakon teorijskog opisa algoritama, svaki je iskorišten za treniranje modela nad dva različita skupa podataka. Prvi skup podataka pokriva temu odljeva korisnika kod teleoperatera, a drugi detekciju anomalija na računalnoj mreži. Modeli su trenirani korištenjem prikladnih metoda i funkcija iz biblioteka dostupnih za programski jezik Python u okruženju Jupyter Notebook. Evaluacija modela standardnim metrikama kao što su matrica konfuzije, osjetljivost, točnost i ROC-AUC mjera pokazala je da najbolje rezultate kod oba skupa podataka daje model treniran višeslojnim perceptronom s metodom širenja unatrag. Analiza osjetljivosti pokazala je kako su kod skupa podataka povezanog s odljevom korisnika kod teleoperatera značajke sa najviše utjecaja broj tehničkih zahtjeva i broj mjeseci koje je korisnik prisutan kod teleoperatera. Upravo se te dvije značajke pojavljuju kao najznačajnije u čak tri od četiri modela. Kod drugog skupa podataka povezanog s detekcijom anomalija na računalnoj mreži modeli su trenirani s duplo većim brojem značajki te je analiza osjetljivosti pokazala kako svaki od modela ima različite značajke kao one s najviše utjecaja na predikciju modela.

• Keywords: strojno učenje; umjetne neuronske mreže
• Language: croatian
• URN:NBN: urn:nbn:hr:211:455293
• Study programme: Title: Database and Knowledge Base Studies; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra informatike (magistar/magistra informatike)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Access restricted to authenticated users
• Created on: 2024-07-08 04:02:57