Sirvi Kuupäev , alustades "2019-01-07" järgi

Filtreeri tulemusi aasta või kuu järgi

Nüüd näidatakse 1 - 2 2

Explainable predictive monitoring of temporal measures of business processes
(2019-01-07) Verenich, Ilya; Dumas, Marlon, juhendaja; Maggi, Fabrizio Maria, juhendaja; La Rosa, Marcello, juhendaja; Ter Hofstede, Arthur, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Kaasaegsed ettevõtte infosüsteemid võimaldavad ettevõtetel koguda detailset informatsiooni äriprotsesside täitmiste kohta. Eelnev koos masinõppe meetoditega võimaldab kasutada andmejuhitavaid ja ennustatavaid lähenemisi äriprotsesside jõudluse jälgimiseks. Kasutades ennustuslike äriprotsesside jälgimise tehnikaid on võimalik jõudluse probleeme ennustada ning soovimatu tegurite mõju ennetavalt leevendada. Tüüpilised küsimused, millega tegeleb ennustuslik protsesside jälgimine on “millal antud äriprotsess lõppeb?” või “mis on kõige tõenäolisem järgmine sündmus antud äriprotsessi jaoks?”. Suurim osa olemasolevatest lahendustest eelistavad täpsust selgitatavusele. Praktikas, selgitatavus on ennustatavate tehnikate tähtis tunnus. Ennustused, kas protsessi täitmine ebaõnnestub või selle täitmisel võivad tekkida raskused, pole piisavad. On oluline kasutajatele seletada, kuidas on selline ennustuse tulemus saavutatud ning mida saab teha soovimatu tulemuse ennetamiseks. Töö pakub välja kaks meetodit ennustatavate mudelite konstrueerimiseks, mis võimaldavad jälgida äriprotsesse ning keskenduvad selgitatavusel. Seda saavutatakse ennustuse lahtivõtmisega elementaarosadeks. Näiteks, kui ennustatakse, et äriprotsessi lõpuni on jäänud aega 20 tundi, siis saame anda seletust, et see aeg on moodustatud kõikide seni käsitlemata tegevuste lõpetamiseks vajalikust ajast. Töös võrreldakse omavahel eelmainitud meetodeid, käsitledes äriprotsesse erinevatest valdkondadest. Hindamine toob esile erinevusi selgitatava ja täpsusele põhinevale lähenemiste vahel. Töö teaduslik panus on ennustuslikuks protsesside jälgimiseks vabavaralise tööriista arendamine. Süsteemi nimeks on Nirdizati ning see süsteem võimaldab treenida ennustuslike masinõppe mudeleid, kasutades nii töös kirjeldatud meetodeid kui ka kolmanda osapoole meetodeid. Hiljem saab treenitud mudeleid kasutada hetkel käivate äriprotsesside tulemuste ennustamiseks, mis saab aidata kasutajaid reaalajas.
Empirical cumulant function based parameter estimation in stable distributions
(2019-01-07) Krutto, Annika; Kollo, Tõnu, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Mitmetes eluvaldkondades, näiteks klimatoloogias, füüsikas ning kindlustus- ja finantssektoris, on vajadus ebasümmeetriliste ning ekstreemseid väärtusi sisaldavate andmete modelleerimiseks. Klassikaline normaaljaotus ei sobitu sellistele andmetele ning kasutama peab alternatiivseid võimalusi. Stabiilsed jaotused, mille üheks erijuhuks on ka normaaljaotus, võimaldavad kirjeldada nii sümmeetrilisi kui ebasümmeetrilisi protsesse kui ka arvesse võtta protsessides esineva varieeruvuse dünaamika ja ekstreemsed kõikumised. Viimastel aastakümnetel on stabiilsetest jaotustest esitatud mitmeid uurimusi kuid parameetrite hindamine empiiriliste andmete põhjal on senini väljakutset pakkuv. Olemasolevad meetodid ei ole statistika tarkvaras tihtipeale vabalt kättesaadavad ja see omakorda takistab stabiilsete jaotuste laialdasemat kasutamist. Doktoritöö aluseks on hindamismeetod, mis on arvutuslikult lihtne ja vahetult rakendatav, kuid hinnangud sõltuvad vabalt valitavatest reaalarvulistest argumentidest. Argumentide erinev valik mõjutab tulemusi märgatavalt ja seetõttu ei ole vastav hindamismeetod rakendustes kasutust leidnud. Doktoritöös esitatakse kõnealusest hindamismeetodist parendatud versioon ning antakse põhjendatud soovitused sobivate argumentide valikuks. Doktoritöö tulemusena saab öelda, et stabiilsete jaotuste parameetrite hindamiseks väljapakutud arvutuslikult lihtne protseduur annab samaväärseid või paremaid tulemusi võrreldes keerukamate algoritmiliste meetoditega ning on praktikas hästi kasutatav.