Sirvi Märksõna "andmeanalüüs" järgi

Nüüd näidatakse 1 - 20 94

listelement.badge.access-status Avatud juurdepääs ,
1922 a. üldrahvalugemise andmete läbitöötamise plaan ja tabelite sisu = Depouillement des Données du recensement de 1922 et le contenu des tableaux des résultats définitifs
(Tallinn : Riigi Statistika Keskbüroo, 1923) Anonymous
listelement.badge.access-status Avatud juurdepääs ,
2010. aastal Tartu Ülikooli arstiteaduskonda sisseastunud üliõpilaste terviseseisundi hindamine
(Tartu Ülikool, 2014-06-16) Karp, Jaanika; Vähi, Mare, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Käesoleva töö eesmärgiks on uurida 2010. aastal Tartu Ülikooli arstiteaduskonda sisseastunud üliõpilaste tervist kolme esimese õppeaasta jooksul. Töö põhineb ankeetküsitlusest saadud andmetel. Töö koosneb kolmest osast. Esimeses peatükis kirjeldati tudengite vaimse ning füüsilise tervise näitajaid ning leiti, et viies semester on teistest raskem. Isiksusetüüp ning professionaalne efektiivsus semestriti ei erinenud. Teine osa oli metoodika kirjeldus. Kolmandas osas viidi läbi faktoranalüüs, kus jagati 12 küsimust üldise terviseseisundi kohta 3 faktorisse. Viimases osas leiti mudel tee analüüsi meetodil. Ilmnes, et isiksusetüüp ning tervisekaebused ei mõjuta üldist terviseseisundit.
listelement.badge.access-status Embargo ,
A linear model of genetic transcription regulation that combines microarray and genome sequence data
(Tartu Ülikool, 2005) Tretyakov, Konstantin; Vilo, Jaak, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
listelement.badge.access-status Avatud juurdepääs ,
Ajaloolised kaardid maakasutuse dünaamika uurimisallikana Vana-Kuuste mõisa näitel
(2006) Koppa, Helle; Jagomägi, Jüri, juhendaja; Mander, Ülo, juhendaja
listelement.badge.access-status Avatud juurdepääs ,
Anafülaksia ja selle esmavalikuravimi kasutamine Eestis aastatel 2016-2020
(Tartu Ülikool, 2022) Napp, Lilith; Laisaar, Kaja-Triin, juhendaja; Voor, Tiia, juhendaja; Tartu Ülikool. Meditsiiniteaduste valdkond; Tartu Ülikool. Peremeditsiini ja rahvatervishoiu instituut
listelement.badge.access-status Avatud juurdepääs ,
Analysis and visualisation of large scale microarray data
(2015-07-06) Adler, Priit
Viimase paari aastakümne jooksul on genereeritud hulgaliselt suuremahulisi geeniekspressiooni andmestikke. Sellised andmestikud on hinnalised ja neid säilitatakse suurtes andmebaasides nagu näiteks GEO või Arrayexpress. Geenide, valkude, metaboliitide ja ensüümide omavahelised koostoimimised ja reaktsioonid on kokku kogutud ja süstematiseeritud bioloogiliste radade andmebaasidesse nagu KEGG ja Reactome. Suuremahuliste ekspressiooniandmete ja bioloogiliste radade ühildamine võimaldab kirjeldatud protsesse paremini analüüsida ja mõista. Väitekiri kirjeldab KEGGanim tööriista, mis ühildab suuremahulised geeniekspressiooni andmestikud ja KEGG bioloogiliste radade pildid. Tööriist loob interaktiivse animatsiooni üle erinevate eksperimendi tingimuste, võimaldades jälgida ajalist või tingimuslikku ja ruumilist ekspressiooni dünaamikat. Sellised animatsioonid sobivad kasutamiseks konverentsi ettekannetes, veebis või ka publikatsioonides. Suurt hulka avalikke geeniekspressiooni andmestikke on võimalik ära kasutada, et tuvastada uusi vastasmõjusid geenide vahel üle paljude bioloogiliste tingimuste. Selline analüüs võimaldab tuvastada ühiseid regulatoorseid mehhanisme, ühiseid funktsioone või rolle sarnastes bioloogilistes protsessides. Me oleme arendanud metoodika, mis võimaldab teha päringupõhist koos-ekspressiooni analüüsi üle sadade avalike geeniekspressiooni andmestike. Geenide koos-ekspressioon arvutatakse igas andmestikus eraldi ja tulemused koondatakse kokku ühiseks järjestatud nimekirjaks kasutades astakute agregeerimise meetodit. Selline lähenemine teeb võimalikuks hõlpsalt taaskasutada juba olemasolevaid geeniekspressiooni andmestikke ja tuvastada signaale, mida oleks keeruline leida analüüsides üksikuid andmestikke eraldi. Implementeeritud Multi Experiment Matrix (MEM) tööriist võimaldab interaktiivset andmete visualiseerimist ja pakub erinevaid võimalusi leitud tulemuste edasiseks analüüsiks. Arendatud astakute agregeerimise meetodit saab edukalt kasutada ka teistes meta-analüüsides, kus ühildatakse erinevatest allikatest pärit bioloogilisi andmestikke.
listelement.badge.access-status Avatud juurdepääs ,
Analysis of Collaboration Dynamics in Hackathons: Combining Quantitative and Qualitative Methods
(Tartu Ülikool, 2024) Rapur, Karl; Nolte, Alexander, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Hackathons are intensive, time-bounded events where teams collaborate to solve specific problems or develop innovative artifacts. Over the past years, researchers have primarily used qualitative instruments (e.g., observations and interviews) to study these events. However, these instruments come with inherent limitations. Scalability issues hinder current data collection methods in the context of large hackathons, as they require significant human resource allocation. Furthermore, current methods have limited potential for live feedback, which is necessary for hackathon organizers. This study demonstrates a combination of qualitative and quantitative data collection instruments to study collaboration dynamics. A case study was conducted during a hackathon with multiple teams, where data was gathered by combining conventional methods with smart badges and sensors. The study uncovered varied collaboration dynamics influenced by experienced participants, constellation changes, language barriers, goal clarity, adaptability, and mentorship. Badge-collected data provided insights into speaker transition logs, speech patterns, transcriptions, and spatial awareness. As contemporary research has primarily relied on qualitative data collection instruments with inherent limitations, this study showcased the possibilities of using sensors and badges to fill this gap. Therefore, it lays the groundwork for future work to leverage such technology to overcome limitations, study hackathons on a larger scale, and provide live feedback to organizers.
listelement.badge.access-status Avatud juurdepääs ,
Analyzing EEG data and improving data partitioning for machine learning algorithms
(2017-10-23) Korjus, Kristjan; Vicente, Raul, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Doktoritöö käigus valmis uus meetod masinõppe andmete efektiivsemaks kasutamiseks. Klassikalises statistikas on mudelid piisavalt lihtsad, et koos eeldustega andmete kohta, saavad need öelda, kas saadud tulemused on statistiliselt olulised või mitte ehk kas andmetes üldse on signaali, mis oleks mürast erinev. Masinõppe algoritmid, nt sügavad närvivõrgud, sisaldavad sageli sadu miljoneid parameetreid, mis muudab kogu tööprotsessi loogikat. Need mudelid suudavad alati andmed 100% ära kirjeldada – sõltumata signaali olemasolust. Masinõppe keeles on see ületreenimine. Seepärast kasutatakse masinõppes statistilise olulisuse mõõtmiseks teistsugust meetodit. Nimelt pannakse osa algandmeid kõrvale, st neid ei kasutata mudeli treenimisel. Kui kasutatud andmete põhjal on parim mudel valmis tehtud, testitakse seda varem kõrvale jäänud andmete peal. Probleemiks on aga see, et masinõppe algoritmid vajavad väga palju andmeid ning kõik, mis n.ö kõrvale pannakse, läheb mudeli treenimise mõttes raisku. Teadlased on ammu otsinud viise, kuidas seda probleemi leevendada ning kasutusele on võetud mitmeid meetodeid, aga paraku on ka neil kõigil oma puudused. Näiteks ristvalideerimise korral saab kõiki andmeid väga efektiivselt kasutada, ent pole võimalik tõlgendada mudeli parameetreid. Samas kui paneme andmeid kõrvale, on meil see info küll olemas, aga mudel ise on vähemefektiivne. Doktoritöö raames leiutasime uue viisi, kuidas andmete jagamist teha. Antud meetodi puhul jäetakse samuti algul kõrvale andmete testrühm, seejärel fikseeritakse ristvalideerimist kasutades mudeli parameetrid, neid kõrvale pandud andmete peal testides tehakse seda aga mitmes jaos ning igas jaos üle jäänud andmeid kasutatakse uuesti mudeli treenimiseks. Kasutame uuesti küll kõiki andmeid, aga saavutame ka selle, et parameetrid jäävad interpreteeritavaks, nii et me teame lõpuks, kas võitis lineaarne või eksponentsiaalne mudel; kolmekihiline või neljakihiline närvivõrk. Keeruliste andmetega loodusteadustes tihti ongi just seda vaja, et teadusartikli lõpus saaks öelda, milline oli parim mudel. Samas mudeli kaalude kõiki väärtusi polegi tihtipeale vaja. Sellises olukorras on uus meetod meie teada praegu maailma kõige efektiivsem ja parem.
listelement.badge.access-status Avatud juurdepääs ,
Andmeanalüüs ja arvutused MATLAB-iga
(Tartu Ülikool, 2013-06-13) Miidla, Peep; Vedru, Jüri
BeSt programmi toetusel loodud e-kursuse "Andmeanalüüs ja arvutused MATLAB-iga" õppematerjalid.
listelement.badge.access-status Avatud juurdepääs ,
Andmepõhise juhtimise pilootprojekt Ettevõtluse ja Innovatsiooni Sihtasutuses
(Tartu Ülikool, 2025) Popman, Marek; Taveter, Kuldar, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
The objective of this Master's thesis was to analyze and implement a pilot project for data-driven management in the Innovation and Startup Department of the Enterprise Estonia (EIS). The thesis primarily focused on how to integrate data management into the organization’s business processes, improve data quality, and establish clear responsibilities for managing and analyzing data. The framework of the thesis was based on both qualitative and quantitative methods, utilizing the DAMA-DMBOK and CRISP-DM methodologies, as well as the RIHAKE data management software. The research involved expert interviews and a data audit, which identified existing shortcomings, such as unstructured data management, insufficient data architecture, data duplication, and limited analytical capability. As a result of the pilot project, data management roles - including the data owner and data steward - were defined, data flows were documented based on a selected EIS service and business process, and the implementation of standardized metadata using RIHAKE was initiated. It became evident that structured data management helps improve internal collaboration within the organization and thereby enhances data quality. The key conclusions emphasize the need for confirming the strategic importance of data management at the leadership level, the importance of comprehensive mapping of data flows as a basis for automation, and the establishment of quality impact assessment systems. The experiences gained can also be applied in other public sector organizations where data management requires a more systematic approach and clearer areas of responsibility.
listelement.badge.access-status Avatud juurdepääs ,
Andmete puudumise struktuuri määramise testid
(Tartu Ülikool, 2015) Adermann, Ivo; Käärik, Ene, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Antud töö eesmärk on anda ülevaade andmete puudumise struktuuridest ning kolmest testist, mille abil etteantud andmestike korral puudumise struktuure üksteisest eristada. Vaatluse all on järgnevad testid: Little’i test, t-testide test ja MM-test. Igat testi testiti nullhüpoteesi ja sisuka hüpoteesi tingimustes ning mõlemal juhul erineva suuruse ja ehitusega andmestike korral. Nullhüpoteesi simulatsioonides muudeti andmestiku pikkust, tunnuste arvu ja konstantset (ning võrdset) puudumise tõenäosust. Sisuka hüpoteesi simulatsioonides muudeti lisaks andmestiku mõõtmetele ka täpset puudumise struktuuri ennast. Kõik simulatsioonid sooritati R-is. MM-test osutus kasutuks. Ülejäänud kahest testist töötas Little’i test paremini väiksemate ning t-testide test suuremate andmestike korral. Kiireim ning samuti kõige töökindlam test oli t-testide test, mida võib neist kolmest kõige õnnestunumaks testiks pidada.
listelement.badge.access-status Avatud juurdepääs ,
Application of Poisson and Dixon-Coles models on football match outcome prediction and research of a positive return over investment in betting market
(2020) Tahirov, Farhad; Lember, Jüri, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Matemaatika ja statistika instituut
Data analysis has become the main driver of successful decision making in our nowadays world. From startups to big businesses application of statistics over constantly accumulating data has proven to be the key for growth in many industries. Currently, alongside business organizations and high-tech firms, governmental institutions, medical industry and many more rely on insights derived from big data. Usage of proper statistical models over data can increase a firm's profitability, identify a medical test's accuracy, support banks recognize fraud transactions and many more. One of the platforms where application of data analysis has grabbed a great deal of attention is over the most popular sport on earth - Football. Application of statistical models in order to predict football match results has been the center of attention for many people, from topp scientists to bookmakers already for quite some time. Certain techniques have been proposed to find potential statistical models that could be helpful in predicting match score outcomes. And with growing betting industry many have tried to beat bookies with the help of statistical models developed for making prediction for match results. In this paper, indirect approaches, namely Poisson and Dixon-Coles models will be applied to predict match score results. The reason why those models are referred as indirect is due to the fact that regression outputs through those models are goals, rather than direct match outcomes. We will try to beat punctuality of decisions derived from one's "gut feeling", an ambiguous term we will formalize in this paper, through using indirect approaches for match outcome modelling. And at the end, it is found that betting strategy formulated with the use of predictions through such models can yield a positive return through betting in the Premier League over the season 2018-2019.
listelement.badge.access-status Avatud juurdepääs ,
Assessing robustness of temporal disaggregation technique Denton in economic forecasting under anomalous conditions
(Tartu Ülikool, 2024) Adgozalli, Sabina; Voskovtsov, Kostiantyn; Eratalay, Mustafa Hakan, juhendaja ; Tartu Ülikool. Majandusteaduskond; Tartu Ülikool. Sotsiaalteaduste valdkond
listelement.badge.access-status Avatud juurdepääs ,
Big data imaginaries of data pioneers: changed data relations and challenges to agency
(2022-03-08) Männiste, Maris; Masso, Anu, juhendaja; Siibak, Andra, juhendaja; Tartu Ülikool. Sotsiaalteaduste valdkond
Suurandmeid kujutatakse sageli kui midagi müstilist, mis toob kaasa efektiivsema, õiglasema, ning parema hüvede jaotamise ning võimaldab meil paremini mõista ja uurida erinevad ühiskondlikke protsesse. Suurandmetel põhinevate analüüside taga on alati aga (andme) eksperdid, kellel on suur roll nii tänase digiühiskonna kujundamisel kui ka uurimisel. See, kuidas nemad suurandmeid mõistavad ning mil moel uusi andmete kogumist ning analüüsimist puudutavaid võimalusi kasutavad mõjutab aga ka seda, mida nii üksikisikud kui ka teised institutsioonide andmetega seoses teha saavad. Doktoritöö „Andmepioneeride suurandmeid puudutavad kujutluspildid: muutunud andmesuhted ja agentsust puudutavad väljakutsed“ eesmärk on analüüsida suurandmetega seotud kujutelmi – selgitada välja, milliseid võimalusi ning väljakutseid andmeeksperdid kui andmepioneerid näevad seoses suurandmete analüüsimise ja andmetehnoloogiate kasutamisega ning kuivõrd on need seotud ühiskonnas ja meedias domineerivate kujutelmadega. Selle eesmärgi täitmiseks tugineb käesolev töö intervjuudele Eesti andmeekspertidega, süstemaatilisele sotsiaalmeedia andmeuuringuid puudutaval ülevaatel kui ka representatiivsetel populatsiooni küsitluse andmetele. Doktoritöö tulemustest nähtub, et suurandmeid kujutatakse andmeekspertide poolt enamjaolt kui väärtuslikku ressurssi, mis pakub võimalusi muuta otsustusprotsesse kiiremaks, aga ka paremini mõista sotsiaalseid protsesse ja uurida inimeste käitumist. Ekspertide kujutelmades on andmed ka üha enam vaadeldavad kui kaup või kapital, mis on oluliseks konkurentsieeliseks nii era- kui ka avaliku sektori organisatsioonide jaoks. Ka toob töö välja mitmeid takistusi nii suurandmete kasutamisel kui ka uurimisel nagu andmetele juurdepääsu probleemid, ebapiisavad oskused ja teadmised suurandmete analüüside osas, andmete jagamiseks vajalike standardite puudumine, andmesubjekti õiguste kaitseks seotud seaduslikud piirangud, aga ka muutunud andmesuhted.
listelement.badge.access-status Avatud juurdepääs ,
Collecting and processing unstructured text data on endangered bird species in Estonia
(Tartu Ülikooli Narva kolledž, 2025) Ustinova, Liubov; Morozov, Nicolai, juhendaja; Tartu Ülikool. Narva Kolledž; Tartu Ülikool. Sotsiaalteaduste valdkond
listelement.badge.access-status Avatud juurdepääs ,
Computing and sensing in a smart ring
(Tartu Ülikooli Kirjastus, 2025-09-03) Yin, Zhigang; Flores Macario, Huber Raul, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Lausandmetöötluse eesmärgiks on arvutusvõimekuse sujuv põimimine igapäevakeskkondadesse, võimaldades pidevaid ja kohanduvaid teenuseid, mis arvestavad kasutaja olukorda ja asukohta. Selle visiooni saavutamiseks toob lausandmetöötlus kantavate seadmete kaudu andurtehnoloogiad ja andmete analüüsi kasutaja kehale lähemale. Kantavate seadmete hulgas on nutisõrmused esile kerkinud paljutõotava platvormina tänu kompaktsele ja diskreetsele kujule, pidevale kontaktile nahaga kui mõõtepinnaga ja järjest arenevatele andurtehnoloogiatele. Käesolev lõputöö uurib kuidas kätega teostatavaid igapäevatoimingud saab nutisõrmuste abil ära kasutada mitmes olulises valdkonnas, keskendudes tervishoiule, isikuohutuse tagamisele ja keskkonna jätkusuutlikusele. Lähtudes vajadusest kasutada igapäevaelus eeskätt mittehäirivaid ja märkamatuid andurtehnoloogiaid, uurime kuidas nutisõrmustega ära kasutada tavapäraseid käeliigutusi (nagu pigistamine, haaramine ja puudutamine) eri füsioloogiliste näitajate, olukorrateabe ja keskkonnaandmete tuvastamiseks. Kuna tänapäevaste nutisõrmuste võimekus on veel algeline ja piirdub üksnes põhifunktsioonidega, on antud väitekirja keskseks uurimisküsimuseks: Kuidas kohandada praeguste nutisõrmuste piiratud võimalusi, et need sobiksid eri rakendusteks? Selle uurimiseks käsitletakse kahte peamist väljakutset: andurite disaini ja paigutust ning anduriandmete rakendamist uuel otstarbel. Sellele küsimusele vastamisel esitame kolm anduripõhist süsteemi, millest igaüks käsitleb erinevaid tehnilisi väljakutseid ja rakendusvaldkondi. Esiteks, HIPPO võimaldab mõõta käte pigistusjõudu igapäevaste tegevuste käigus. Süsteem kasutab nutisõrmusesse integreeritud optilist andurit, mis tuvastab ja analüüsib eseme (näiteks plasttopsi) pigistamisel tekkivaid pinddeformatsioone, võimaldades pigistusjõu määramist kuni 86% täpsusega, olles võrreldav spetsialiseeritud kliiniliste seadmetega. Teiseks, SpikEy näitab nutisõrmuste potentsiaali diskreetse isikliku turvalisuse vahendina. Süsteem aitab kaitsa kasutajat sotsiaalsetes olukordades, tuvastades uimastavate ainete olemasolu joogis. SpikEy analüüsib valguse peegeldumist vedelikus sellal kui kasutaja hoiab jooki käes. Süsteem loob erinevate uimastite tuvastamiseks valgusprofiilid kasutades varjatud esitlusel põhinevat masinõpet ja liigutuste kalibreerimist, võimaldades mürgitatud jookide usaldusväärset tuvastamist eri tüüpi vedelikes ja tingimustes kuni 86% täpsusega. Kolmandaks, SNAKE hindab puuviljade kvaliteeti, jälgides ja analüüsides soojuse hajumist puuvilja pinnalt pärast inimese puudutust. Kuigi süsteem tugineb hetkel termokaamerale, loob antud töö uue võimaluse kasutada nutisõrmuseid puuviljade kvaliteedi hindamiseks miniatuursete termoandurite abil. SNAKE saavutab puuvilja kvaliteedi hindamisel 83%-se täpsuse, pakkudes praktilist ja väheste kuludega lahendust toidujäätmete vähendamiseks tavapäraste interaktsioonide kaudu. Kokkuvõttes laiendavad need panused nutisõrmuste kasutusvõimalusi läbi andurite kasutuse ja inimkäitumist arvestav disaini. Käesolev töö näitab nutisõrmuste potentsiaali mitmekülgse ja praktilise platvormina lausandmetöötluses, võimaldades luua ressursisäästlikke ja igapäevaeluga sujuvalt ühilduvaid lahendusi.
listelement.badge.access-status Avatud juurdepääs ,
Data KPI – according to some theories KPIs should meet “SMART-criteria” (Specific, Measurable, Attainable, Realistic, Timely). As analysts are often part of bigger projects, their contribution is less measurable; how to set motivating KPIs for analysts?
(Tartu Ülikool, 2023) Rupakheti, Salona; Hasilov, Kamran; Trabskaia, Iuliia, juhendaja; Kitt, Lennart, juhendaja; Tartu Ülikool. Majandusteaduskond; Tartu Ülikool. Sotsiaalteaduste valdkond
listelement.badge.access-status Avatud juurdepääs ,
Data-driven analysis and optimization of waiting times in business processes
(Tartu Ülikooli Kirjastus, 2024-12-18) Lashkevich, Katsiaryna; Milani, Fredrik Payman, juhendaja; Dumas Menjivar, Marlon Gerardo, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Ooteajad on äriprotsessides vältimatud, kuid nende ignoreerimine võib viia märkimisväärsete ebaefektiivsusteni. Mõelge näiteks oma teadusartiklile, mis on valmis laiemale avalikulasele esitamiseks, kuid takerdub sellegipoolest retsensendi lauale — miks? Mis põhjustab sarnaseid ooteaegu ja kuidas neid vähendada? Enamik äriprotsesse toetuvad tarkvararakendustele, nagu näiteks retsensentide poolt kasutatavad käsikirjade haldamise süsteemid. Need süsteemid jälgivad protsessis osalejate tegevusi ja genereerivad sündmuslogisid, kuhu salvestatakse protsessi täitmise andmed. Protsessikaevetehnikad võimaldavad selliste sündmuslogide analüüsi, pakkudes seeläbi täiendavat informatsiooni protsessi jõudluse kohta. See väitekiri pakub välja komplekti protsessikaevele tuginevaid lähenemisviise tuvastamaks ooteaegade põhjuseid sündmuslogidest ja soovitamaks tõhusaid protsessideümberkorraldusi. Nendest esimene võimaldab rühmitamisest põhjustatud ooteaegade tuvastamist (näiteks suurema hulga käsikirjade ootamine enne retsenseerimisega alustamist) ja analüüsi paljastamaks võimalikke parendamisvõimalusi. Seejärel laiendatakse antud analüüsi teistele põhjustele, tutvustades lähenemisviisi, mis võimaldab viit tüüpi ooteaegade põhjuste tuvastamist: rühmitamine, ressursside hõivatus (retsensendid tegelevad teiste käsikirjadega), prioriseerimine (retsensendid eelistavad teatud käsikirju teie omale), ressursside puudumine (retsensendid on puhkusel) ja välised tegurid (retsensendid tegelevad teiste protsesside ülesannetega, näiteks valmistavad ette teadusprojektide taotlusi). Nende põhjuste analüüs aitab võimalikke parendusvõimalusi täpsemalt fokuseerida. Viimaks, tutvustatakse meetodit suurte keelemudelite peenhäälestamiseks eesmärgiga täiendavalt analüüsida tuvastatud ooteaegade põhjuseid ja soovitada protsesside ümberkorraldusi (näiteks artiklite arvu vähendamine rühmas või retsensentide töökoormuse ühtlasem tasakaalustamine), mis on suunatud tuvastatud põhjustele. Pakutud lähenemisviisid on rakendatud tarkvaratööriistas Kronos, mis võimaldab analüütikutel diagnoosida ooteaegade põhjuseid ja saada ettepanekuid protsesside ümberkorraldamiseks. See on samm äriprotsesside sujuvamaks muutmise poole, sealhulgas kiirendades ka teie uurimistöö avaldamise protsessi.
listelement.badge.access-status Avatud juurdepääs ,
Depressiooniravi efektiivsus ja selle võimalik geneetiline taust: TÜ Eesti Geenivaramu poolt läbi viidud uuringu analüüs
(Tartu Ülikool, 2017) Vare, Pille-Riin; Fischer, Krista, juhendaja; Tartu Ülikool. Matemaatika ja statistika instituut; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Bakalaureusetöö eesmärk on välja selgitada, kuidas muutub depressiooni raskusastet mõõtev MADRS skoor sõltuvalt ravimitest estsitalopraam ja venlafaksiin ning millised geneetilised variandid võivad mõjutada depressiooni ravimivastust. Töö alguses tuuakse välja depressiooni olemus, vajalikud geneetikaga seotud mõisted ning uuringu „Indimed – depressioon“ kirjeldus. Järgnevalt antakse ülevaade töös kasutatavatest statistilistest mudelitest: üldine lineaarne mudel (sh erijuhuna dispersioon- ja kovariatsioonanalüüsi mudelid), logistilise regressiooni mudel ning segamudel. Segamudelite puhul keskendutakse mudelitele, mis sobivad kordusmõõtmistega andmestiku korral ja kus indiviidispetsiifilised parameetrid (vabaliige, regressioonisirge tõus) on vaadeldavad juhuslike parameetritena. Viimase peatüki moodustab uuringu „Indimed – depressioon“ andmete analüüs, kus eespool tutvustatud meetodeid kasutades selgitatakse välja, millistest geneetilistest variantidest võib depressiooniravi efektiivsus 153 vähemalt mõõduka või korduva depressiooni diagnoosiga patsiendil sõltuda.
listelement.badge.access-status Avatud juurdepääs ,
Design and orchestration of scalable, event-driven serverless data pipelines for internet of things (IoT) applications
(2024-09-19) Poojara, Shivananda Rangappa; Jakovits, Pelle, juhendaja; Srirama, Satish Narayana, juhendaja; Tartu Ülikool. Loodus- jatäppisteaduste valdkond
Asjade Interneti (IoT) seadmete üha suureneva kasutamisega on toimunud tohutu toorandmete kasv. Selliste andmete haldamine hõlmab aga keerulisi ülesandeid, sealhulgas andmete hankimist erinevatest seadmetest erinevates vormingutes, filtreerimine ja teisendamine, ning masinõppe rakendamine. Selliste andmevoogude voo ja elutsükli tõhus haldamine on märkimisväärne väljakutse. Selleks, et saavutada madal latentsus ja muud teenusekvaliteedi (QoS) mõõdikud, võetakse üha enam kasutusele pilvepõhise IoT andmetöötluse asemel serva ja udu arvutusmudeleid. See muudab andmeanalüüsi ülesannete dünaamilise täitmise keerukamaks erinevatel kaugustel ja heterogeenses riistvaras. Üks lähenemisviis Asjade Interneti andmetöötluse realiseerimiseks on monoliitsete konteinerrakenduste kasutamine, mis kondavad andmetoimingud ühte konteinerisse. Selliseid konteinereid saab migreerida üle IoT kihtide (serv, udu, pilv), et optimeerida teenuse kvaliteedi (QoS) mõõdikuid. Monoliitsete konteinerite kasutamine võib tõhusat andmehaldust nõudvate andmepõhiste Asjade Interneti rakenduste väljatöötamisel tekitada väljakutseid ja keerukust. Sujuva ühenduvuse tagamisel ja andmetoimingute skaleerimisel võib tekkida ka muid probleeme. Teised olemasolevad lahendused, nagu suured andmetöötlusklastrid (nt Apache Flink või Spark) ja valmistööriistad, võivad ressursipiirangute (serva- ja uduseadmed) ja asjade Interneti-rakenduste sündmustepõhise olemuse tõttu olla ebausaldusväärsed. Hüpoteesiks on, et seda saab lihtsustada serverivabade arvutuste ja andmekonveierite kasutusele võtuga. Serverivabade arvutuste kasutamisel saab andmeanalüütilisi ülesandeid luua individuaalselt skaleeritavate virtuaalsete funktsioonidena ja neid sündmustepõhiselt täita. Andmekonveierid võimaldavad koondada üksikud andmetöötlusülesanded suureks hajutatud andmevooks. Mõlema mudeli kombineerimisel saab luua serverivabad andmekonveierid (SDP), kus serverivabu funktsioone kasutatakse konveieriülesannetena ja neid saab sujuvalt välja kutsuda, kui andmed konveieri kaudu liiguvad. Servervabu funktsioone saab lihtsasti käivitada pilve-, serva- või udukeskkondades ning andmeedastuseks, marsruutimiseks ja funktsioonide kutsumiseks kasutatakse andmekonveieri tehnoloogiaid. Selle lõputöö eesmärk on adresseerida andmetöötluse kriitilisi aspekte asjade Interneti (IoT) keskkondades, keskendudes üleminekule konteineritelt serverivabale arhitektuuridele. Esmalt analüüsitakse kitsaskohti traditsioonilistes monoliitsetes konteineripõhistes IoT andmetöötluse lähenemisviisides. Seejärel uuritakse serverivaba andmetöötluse rakendamist asjade Interneti keskkondades kui potentsiaalset lahendust monoliitsete arhitektuuridega seotud väljakutsete ületamiseks. Lõpuks analüüsitakse serverivabade andmetöötlusraamistike skaleeritavust asjade Interneti stohhastiliste töökoormuste haldamisel. Sellel väitekirjal on kolm panust. Esimene on uudne simulaator ja raamistik konteinerite orkestreerimiseks IoT keskkondades koos gradiendipõhise tagasilevitamise lähenemisviisiga (GOBI ja GOBI*) ajastamiseks, mis on effektiivsem olemasolevatest planeerijatest. Teine panus hõlmab kolme disaini lähenemist serverivabade andmekonveierite (SDP) loomiseks ja nende sobivuse analüüsi erinevate asjade Interneti rakenduste jaoks. Standardsetel andmevootööriistadel (DFT) põhinevad SDP-d ei sobi arvutusmahukate ülesannete jaoks, nagu videotöötlus, kuid need on tõhusad laia ribalaiust vajavate rakenduste jaoks. Objektisalvestusteenusel (OSS) põhinevad SDP-d sobivad paremini arvutusmahukate toimingute jaoks ja MQTT-põhised SDP-d sobivad latentsustundlike toimingute jaoks, kuid mitte arvutus- ja ribalaiustundlike ülesannete jaoks, kuna protsessori ja mälu kasutus on suurem. Kolmas panus on reaktiivsete automaatse skaleerimise mehhanismide sobivuse analüüs SDP jaoks nelja erineva töökoormuse mustri korral. Arvutusmahukate ülesannete puhul töötab ressursipõhine skaleerimise lähenemisviis tõhusalt hüppelise, püsiva, järsu ja kõikuvate töökoormuste korral. Lühikese täitmisajaga ülesannete jaoks sobib töökoormusepõhine skaleerimine kõigi nelja töökoormuse korral. See lõputöö käsitleb IoT andmete töötlemise keerukust ja väljakutseid üleminekul monoliitsetelt konteineriarhitektuuridelt serverivabadele pilvearvutusmudelitele asjade Interneti andmete töötlemisel. Töö väljundid aidatvad asjade Interneti arendajatel valida kõige sobivaamad andmetöötlusmehhanismid, võttes arvesse selliseid tegureid nagu vabad arvutusressursid, ribalaius, energiatarbimine ja latentsus, täites samal ajal tundlikke QoS nõudeid.