Arvutiteaduse instituut

Selle valdkonna püsiv URIhttps://hdl.handle.net/10062/14970

Sirvi

Sirvi Arvutiteaduse instituut Autor "Aan, Janika, juhendaja" järgi

Tulemuste filtreerimiseks trükkige paar esimest tähte
Nüüd näidatakse 1 - 2 2
  • Pisipilt
    listelement.badge.dso-type Kirje ,
    Andmenihke tuvastamine ja leevendamine kõnekeskuse andmete näitel
    (Tartu Ülikool, 2025) Himuškin, Desiree; Aan, Janika, juhendaja; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
    The aim of this master thesis is to analyse how call center worktime change affects the performance of created machine learning models, see if this change creates a data drift and how to mitigate its effect. First, literature, existing solutions on how to predict service level and data drift algorithms are analysed. Secondly, the call center dataset is described and analysed. Thirdly is given an overview of used models and their features, which is followed by practical work which includes describing the effects of the change on the data, testing two data drift algorithms on the dataset, trying to alleviate the effects of the change on prediction accuracy and finally comparing the results. In the final part, conclusions on the effect of the change are made based on the results of the algorithms and the usability of deploying these models in other call centers is discussed.
  • Pisipilt
    listelement.badge.dso-type Kirje ,
    Päikesepaneelide tootlikkuse ennustamine
    (Tartu Ülikool, 2023) Grjaznov, Kirill; Kull, Meelis, juhendaja; Aan, Janika, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
    Eesti on osa Nord Pool elektribörsist, seega on vajalik elektrienergia tarbimise prognoosimine järgmiseks päevaks. Eesmärk on hoida elektrisüsteemi bilanssi, tagades, et ostetud elektrienergia kogus vastab tegelikule tarbimisele. Taastuvenergia, nagu päikeseenergia, on kõikuv, seega selle tootlikkuse ennustamine võimaldab paremini planeerida elektrienergia tarnet järgmiseks päevaks. Magistritöö käigus loodi masinõppe mudel, mis ennustab päikesepaneelide pargi elektritootlikkust tunni täpsusega järgmise päeva jooksul. Mudeli treenimisel kasutati 1-aastase ajaloolise ilmaennustuste andmeid ja päikesepaneelide tootlikkuse andmeid ning arvutati ka päikese ja paneelide vaheliste nurkade väärtused igal ajahetkel. Ehitati ja võrreldi kolme mudelit: lineaarne regressioon, XGBoost ja LSTM-ansambel. Parimaks osutus LSTM-ansambel, mille wMAPE-testväärtus oli terve kalendriaasta jooksul 29%.