Sirvi Autor "Aljanaki, Anna, juhendaja" järgi

Nüüd näidatakse 1 - 12 12

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.
Audio Transformations Based Explanations (ATBE) for deep learning models trained on musical data
(Tartu Ülikool, 2024) Chung, Cheng-Han; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Süvaõppe mudeli käitumise selgitamine on keeruline. Arvutinägemismudelite puhul on olemas mitu meetodit, millega saab esile tuua piirkonnad, millele võrk pildil keskendub. Muusika klassifitseerimise mudeli puhul ei anna see tavaliselt rahuldavat tulemust, sest heli põhjal treenitud mudelite tõlgendamine peab põhinema mitte visuaalsetel, vaid muusikalistel mõistetel, mis on seotud inimeste jaoks oluliste akustiliste omadustega, nagu helikõrgus, tempo, meloodia, harmoonia. Käesolevas lõputöös pakume välja uut meetodit, mis aitab heli muutes välja selgitada, millised akustilised omadused olid olulised teatud klasside ennustamiseks. Selleks kasutatakse neid vigu, mida mudel muudetud sisendil teeb, ja LIME meetodi.
Bakterite eristamine fluoromeetri spektrist masinõppe abil
(Tartu Ülikool, 2024) Rõõm, Rimmo; Rebane, Ott, juhendaja; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
In this master thesis, the most suitable machine learning solution is found for the fluorometer device H2B-Spectral developed by LDI Innovation OÜ. The machine learning methods tested in this thesis aim to improve the differentiation of various microorganisms on selected solid surfaces. The device functions as a multi-channel fluorometer, exciting the measured sample surface with three different ultraviolet wavelengths and reading the emitted optical fluorescence signal on three different wavelength channels. Based on the obtained eight number data (one channel provides no information), the sensor's software must classify the measurement point into pre-learned classes. In this study, over thirteen classes of various microorganisms are measured, and different machine learning methods (including decision tree, random forest, KNN, support vector machine, ensemble voting) are compared for their classification performance. The most effective classification method identified in this study will be implemented in the standard machine learning system in the software for H2B-Spectral.
Collaborative filtering recommendation algo-rithms performance on an implicit feedback da-taset
(Tartu Ülikool, 2021) Lõhmus, Kristjan; Aljanaki, Anna, juhendaja; Berber, Hakan, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Antud töö eesmärgiks on valida ja implementeerida soovitussüsteem USA-s opereerivale võr-gumängude platvormile. Süsteemi eripärasid ja olemasolevaid andmeid arvestades valiti mudelipõhine lähenemine süsteemi koostamiseks. Implementeeriti kaks mudelit: Alternating Least Squares (ALS) ja Bayesian Personalized Ranking (BPR), mida treeniti süsteemist saadud andmete põhjal. Mudelite väljundi hindamiseks kasutati AUC-d ja mediaantäpsust. Tulemused näitasid, et mudelid töötasid koguandmetel identse täpsusega, kuid uute mängijate hindamisel sai parema tulemuse ALS.
Drone Sound Recognition System Using Machine Learning
(Tartu Ülikool, 2024) Karpenko, Roman; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Radar-based detection systems are expensive, and it is currently not possible to cover all of the combat territory with them. However, modern warfare employs numerous aerial strikes with drones. In this thesis, we develop a proof-of-concept system that can detect Shaheed drones and distinguish their sound from airplane and helicopter sounds. Shaheed drones are used in the Russo-Ukrainian war against Ukraine. We test several approaches and find that specific drone can be identified well enough using only sound.
Eesti regionaalsete majandusandmete visualiseerimiseks töölaua lahenduse loomine
(Tartu Ülikool, 2024) Uibo, Asso; Aljanaki, Anna, juhendaja; Nestor, Mihkel, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
The aim of this master's thesis was to create a dashboard for visualizing regional economic data, providing local and regional representatives with a quick overview of the area's socio-economic situation, trends, and aiding in decision-making. The dashboard consolidates data from various sources, utilizing publicly available information from national sources such as the Statistics Estonia, the Commercial Register, and the Tax and Customs Board. Developed using Python programming language and Streamlit software, the dashboard adheres to best practices in data visualization to ensure ease of use, clarity, and efficiency for the target audience. User testing indicated that the dashboard effectively meets the objectives set by various users. It facilitates the collection and comparison of general regional information. Suggestions for enhancements primarily focused on the incorporation of additional filters for more detailed analysis, enabling the display of specific information regarding selected local governments, business sectors, or individual companies. Proposed enhancements for the dashboard's further development included integration with national information systems and the automation of data updates.
Generating Real Time Adaptive Game Music
(Tartu Ülikool, 2021) Baranin, Ingvar; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
This thesis aims to construct and train an LSTM-based machine learning model that can automatically generate real time adaptive video game music. In order to demonstrate its capabilities, a game using the model’s music is developed. A review of similar existing works and the methodology of the thesis is provided, as well as the analysis of the final product.
Inspektor-kontaktisikute töökoormuse analüüs ja töölaua loomine vanglateenistuses
(Tartu Ülikool, 2024) Tuberik, Lea; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
The job of case managers in Estonian prisons consists of structured activities, which are recorded in the database. These data have been analyzed in this master's thesis in order to find the activities that best describe the case manager’s workload, and a dashboard was created that visualizes the work of the case managers, aggregated by prison and its units. The dashboard was deployed in all Estonian prisons.
Loomuliku keele töötlemise algoritmide kasutamine muusikasarnasuse leidmisel
(Tartu Ülikool, 2022) Lindpere, Mait; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Käesoleva magistritöö raames viiakse läbi eksperimentaalne uurimus leidmaks kas muusika semantilise kirjelduse (antud töö kontekstis albumikirjelduste) järgi on võimalik muusikat soovitada. Püstitatud ülesande lahendamiseks võrreldakse NLP meetoditega muusika metaandmetest avastatud tunnuste järgi leitud muusikasarnasust muusikakasutajatest inimeste sarnasuse hinnangutega. NLP meetodite sooritusele hinnangu andmiseks kasutatakse võrdluseks audio meetodite järgi leitud muusikasarnasust. Lisaks kombineeritakse uurimistöös NLP ja audio meetodeid. TagATune mängust kogutud inimekspertide hinnanguid muusikaklippide sarnasusele kasutati NLP ja audio meetodite tulemuste hindamisel tõe etalonina. Töö tulemusel selgus, et NLP meetoditega leitud muusikasarnasus on üksi kasutamiseks vähetäpne, paremasid tulemusi näitasid audio meetodid. Kombineerides mõlema lähenemise paremaid sooritusi näidanud meetodeid saavutati antud töö kontekstis kõige täpsem tulemus.
Muusika andmeanalüütika rakendamine rahvapillimuusika uurimisel Eesti Rahvaluule Arhiivi helisalvestuste põhjal
(Tartu Ülikool, 2025) Torn, Tanel; Särg, Taive, juhendaja; Aljanaki, Anna, juhendaja; Tartu Ülikool. Humanitaarteaduste ja kunstide valdkond; Tartu Ülikool. Kultuuriteaduste instituut; Tartu Ülikool. Eesti ja võrdleva rahvaluule osakond
Käesolev magistritöö uurib, kuidas saab muusika andmeanalüütika (MIR) meetodeid rakendada eesti rahvapillimuusika helisalvestuste analüüsimisel. Uurimistöö aluseks on Eesti Rahvaluule Arhiivi 20. sajandi pillilugudest koostatud uurimiskorpus, mis koosneb enam kui 9000 helisalvestusest. Töö keskmes on masinõppemudeli CoverHunter rakendamine meloodiliselt sarnaste lugude rühmitamiseks otse helisignaali põhjal – ilma transkriptsioonide ja noodistusteta. Uuritakse, kuivõrd võimaldab selline lähenemine tuvastada sama viisitüübi erinevaid esitusi, avastada salvestuste dubleerimist ning metaandmetes esinevaid ebatäpsusi, toetades sellega rahvapillimuusika tõhusamat süstematiseerimist. Töö tulemused näitavad, et muusika andmeanalüütika meetodid võivad kujuneda väärtuslikuks töövahendiks eesti rahvamuusika uurimisel, aidates kaasa nii arhiivimaterjalide korrastamisele kui ka esitustevaheliste seoste tuvastamisele suurtes ja muusikaliselt mitmekesistes andmestikes.
Muusika saate genereerimine tingimusliku vastandgeneratiivse närvivõrgu abil
(Tartu Ülikool, 2024) Västrik, Priidik Meelo; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Generation of good quality music accompaniment is very useful for composers and music producers. Generative artificial neural networks are booming and there is recently an increasing amount of music generation models published. The aim of this Bachelor’s thesis is to generate music accompaniment using spectrograms and an image translation model Pix2Pix. Experiments are con-ducted to generate different types of accompaniments. The best results are achieved when gener-ating the drum stem. It can be seen from the results that generative adversarial networks’ outputs contain unnatural artifacts that affect the results badly. Preventing this requires lots of finetuning.
Muusika toonimise kasutamine muusika žanrite klassifitseerimise mudelites
(Tartu Ülikool, 2023) Kasepuu, Raivo; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Käesoleva magistritöö raames teostatakse uurimus leidmaks, kuidas muusikafailide toonimised mõjuvad muusika žanrite klassifitseerimiste mudelite täpsusele. Püstitatud ülesande lahendamiseks võrreldakse toonimata andmestikuga etalon mudeli täpsust erinevate toonitud andmestike abil loodud mudelite täpsustega. Töö sisendiks on GTZAN muusika andmestik ja muusika toonimisi uuritakse MFCC koefitsientidel põhinevatel muusika žanrite klassifitseerimise mudelitel. Töö tulemusel selgus, et toonitud muusikaga rikastatud andmestikel treenitud muusika žanri klassifitseerimise mudelid on keskmiselt täpsemad kui ainult toonimata muusika muusikal treenitud mudelid.