Empirijsko istraživanje algoritama strojnog učenja temeljenog na pogrešci

diplomski rad

• Naslov (engleski): Empirical investigation of error based machine learning algorithms
• Autor: Valentina Tucelj
• Mentor: Dijana Oreški (mentor); MBZ: 318615
• Član povjerenstva: Božidar Kliček (član povjerenstva); MBZ: 95426
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet organizacije i informatike; (Katedra za razvoj informacijskih sustava); Varaždin
• Datum i država obrane: 2024-07-01, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: DRUŠTVENE ZNANOSTI; Informacijske i komunikacijske znanosti; Organizacija i informatika

Sažetak

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.

• Ključne riječi: strojno učenje; umjetne neuronske mreže
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:211:455293
• Studijski program: Naziv: Baze podataka i baze znanja; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra informatike (mag.inf.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Pristup svim korisnicima iz sustava znanosti i visokog obrazovanja RH
• Datum i vrijeme pohrane: 2024-07-08 04:02:57