Sirvi Märksõna "andmeteadus" järgi

Nüüd näidatakse 1 - 7 7

listelement.badge.access-status Avatud juurdepääs ,
COVID-19 ennustavate riskimudelite rakendatavuse hindamine Eesti terviseandmetel
(Tartu Ülikool, 2021) David, Marc; Kolde, Raivo, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
COVID-19 leviku tõttu alates aastast 2019 on suurenenud erinevate tervishoiusüsteemide koormus maailmas. Selleks, et haiglate piiratud ressursside kasutust optimeerida, saab kasutada erinevaid riski ennustavaid mudeleid, mis võimaldavad patsientide terviseandmete põhjal ennustada, kui raskeks võib kujuneda patsiendi haiguse kulg. Piisavalt täpset mudelit saab kasutada näiteks patsiendi vaktsiini või ravi vajaduse hindamiseks. Üks mudeli tõhusust mõjutav tegur on kasutatud treeningandmete hulk. Kuna Eesti terviseandmeid on suhteliselt vähe ning nendel uue mudeli treenimine on keeruline, siis on efektiivsem leida juba eelnevalt treenitud mudel ning seda väliselt valideerida Eesti terviseandmetel. Käesolevas töö eesmärk on maailmas häid tulemusi näidanud mudeleid väliselt valideerida Eesti terviseandmetel ning seejärel analüüsida, kas need mudelid on piisavalt head praktiliseks kasutuseks meditsiinis. Töö tulemused näitasid, et mudelite diskrimineerimine on hea ning võrreldav teiste mudelitele tehtud väliste valideerimistega, kuid kalibreerimine on kehvem. Mudelid ennustavad Eesti andmetel madalamaid riskitõenäosusi kui reaalsuses patsientidel täheldati. Seda selgitab asjaolu, et valideerimiseks kasutatud andmeid oli võrdlemisi vähe ning need võisid selle tõttu olla kallutatud. Mudelite rakendatavust mõjutab ka see, et mudelid on treenitud ja valideeritud terviseandmetel, mis on pärit COVID-19 pandeemia algusest, mistõttu riski ennustamisel ei arvesta mudelid viiruse uute mutatsioonidega ega vaktsineeritud patsientidega. Lahendusena tuleks treenida uued mudelid, kasutades uuemaid andmeid ning parandada valideerimiseks kasutatud andmestike kvaliteeti.
listelement.badge.access-status Avatud juurdepääs ,
Data acquisition and preparation toolbox for Cumulocity-based solutions
(Tartu Ülikool, 2023) Grukhal, Artem; Jakovits, Pelle, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Linna infrastruktuuri areng kasvab nii kiiruselt kui ka mahult. Linna "targaks linnaks"muutmise kontseptsioon on vajalik, et linna taristut saaks tõhusamalt kohendada kasvava rahvastiku keskkonnas ning tuleviku suundasid paremini ennustada, vähendades linnaametnike üleliigset tööd. Siiski on palju väljakutseid, millest tuleb üle saada et rakendada targa linna kontseptsiooni ja panna see toimima sõltumata linna suurusest, rahvaarvust ja teistest parameetritest. Veelgi enam, et selliste rakenduste andmeid tõhusalt hallata, peab olema süsteem, mis aitaks andmeteadlastel arukate linnade toodetud andmetest ülevaadet teha, analüüsida ja nendega töötada. Käesolevas lõputöös püütakse välja pakkuda lahendus, mille funktsioonid on vajalikud targa linna süsteemide nutikaks toimimiseks ja kirjeldatakse kõige olulisemad nõuded süsteemi toimimiseks. See töö uurib olemasolevaid suuremahuliste andmete visualiseerimis- ja analüüsiplatvorme ning proovib hinnata nende rakendandatavust Tartu Ülikooli Delta hoone asjade interneti stsenaariumi jaoks, mis praegu kasutab andmetega töötamiseks Cumulocity asjade interneti platvormi. Eeliseid ja miinuseid hinnatakse eelnimetatud stsenaariumi kontekstis, kirjeldatakse lahenduse arhitektuuri ja tehakse järeldusi uuringust. Edasi tutvustatakse ja kirjeldatakse lahendust koos viidetega varasemalt defineeritud nõuetele ning lõpuks viiakse läbi süsteemi nõuete valideerimine eelneva stsenaariumi kontekstis.
listelement.badge.access-status Avatud juurdepääs ,
Krediidiskooringu süsteemi loomine tehisõppe meetodite abil
(Tartu Ülikool, 2015) Skokov, Valentin; Pärna, Kalev, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Käesoleva töö eesmärk on luua tehisõppe meetoditel baseeruv süsteem isiku individuaalse krediidiskoori määramiseks ja selle põhjal krediidiandmise otsuse tegemiseks. Potentsiaalseteks kasutajateks on pangad ja laenufirmad, kelle otsene huvi on vähendada ning võimalusel vältida finantskahju, mis tekib seoses krediidi mittetagastamisega laenusaaja poolt. Töö esimeses peatükis antakse ülevaade tehisõppest ja selle meetoditest koos nende rakenduste näidetega. Töö teises peatükis keskendukse CART meetodile, selle rakenduste piiridele, puudustele ja headele külgedele. Töö kolmandas peatükis rakendatakse kirjeldatud meetodit andmestikule, mis modelleerib reaalselt võimalikku olukorda ning mis sisaldab informatsiooni isikute sissetulekute, krediidiajaloo ning mõnede teiste isiklike andmete kohta.
listelement.badge.access-status Avatud juurdepääs ,
Laoliikumiste analüüs ja optimeerimine tootmisettevõttes
(2019) Mägi, Kerli; Käärik, Meelis, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Matemaatika ja statistika instituut
Magistritöös analüüsitakse konkreetse tootmisettevõtte laos toimuvate liikumiste kestuseid üldistatud lineaarsete mudelite abil. Igale laosisesele asukohale antakse hinnang, kui palju kulub aega sellest väljastusalani jõudmiseks. Teiselt poolt analüüsitakse vaatlusperioodi jooksul käsitletud kaupade komplekteerimissagedusi. Kõige sagedamini komplekteeritavate kaupadega seotud liikumiste kirjeldamiseks viiakse läbi täiendav analüüs. Laoasukohad ja kaubad jaotatakse klassidesse ning viiakse vastavusse. Lõpptulemusena valmib rakendus, mille abil on võimalik leida igale kaubale parim ladustamispiirkond.
listelement.badge.access-status Avatud juurdepääs ,
Mitmemõõtmelised meetodid puuliikide osakaalude prognoosimiseks satelliidiandmete põhjal
(2019) Ploompuu, Mats; Möls, Märt, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Matemaatika ja statistika instituut
Töös on rakendatud mitmeid mitmemõõtmelisi meetodeid Eesti metsade liigilise koosseisu prognoosimiseks satelliidiandmete põhjal. Parimad tulemused saadakse K-lähima naabri meetodit kasutades. Täpsemalt sobitatakse igale satelliidipildile eraldi K-lähima naabri mudel ning prognoositakse puuliikide osakaalud. Seejärel saadud prognoosid agregeeritakse. Töös on näidatud, et selliste prognooside agregeerimiseks on paremaid mooduseid kui aritmeetiline keskmine, näiteks Epanechnikovi tuumameetodiga hinnatud tiheduse mood. Parima mitmemõõtmelise meetodi puuliikide osakaalude prognooside põhjal on koostatud näidiskaart.
listelement.badge.access-status Avatud juurdepääs ,
Strategic management and organizational sustainability (competitive intelligence and managerial implications)
(Tartu Ülikool, 2024) Ashumova, Fatima; Ahmadov, Zahid; Trabskaia, Iuliia, juhendaja; Tartu Ülikool. Majandusteaduskond; Tartu Ülikool. Sotsiaalteaduste valdkond
listelement.badge.access-status Avatud juurdepääs ,
Tõenäosuslike klassifikaatorite liigne enesekindlus ja temperatuuri-skaleerimine
(Tartu Ülikool, 2022) Järve, Joonas; Kull, Meelis, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Magistritöös keskendume diskriminatiivsetele klassifikaatoritele nagu diskriminantanalüüs, logistiline regressioon ja tehisnärvivõrgud, millest viimased on oma võimekuse tõttu saavutanud möödunud kümnenditel suure populaarsuse. Populaarsusest ja võimekusest hoolimata on selgeks saanud, et suured tehisnärvivõrgud ei ole hästi kalibreeritud ning kipuvad olema liiga enesekindlad (Guo et al. 2017). Mudeli liigne enesekindlus tähendab seda, et olukorras, kus mudel tegelikult ei tea kindlalt, mis on õige väljund, annab ta ikkagi oma otsusele kõrge tõenäosuse. Töö fookuses ongi tõenäosuslike klassifikaatorite liigne enesekindlus ja selle ravimine temperatuuri-skaleerimise meetodi abil. Viimane on praktikas osutunud väga kasulikuks, kuid pole päris selge, miks see meetod ikkagi nii hea on. Magistritöös annamegi esmalt ülevaate temperatuuri-skaleerimise kalibratsioonimeetodist ning mudeli liigsest enese- ja ebakindlusest. Seejärel näitame, et liigne enesekindlus ei ole vaid suurte tehisnärvivõrkude mure vaid esineb teatud juhtudel ka lihtsate mudelite korral nagu diskriminantanalüüs ja logistiline regressioon. Muuhulgas näitame, et mudeli liigne enesekindlus kajastub ka tema treening- ja valideerimisskoorijaotuste erinevuses. Lõpuks tõestame, et vähemalt millistel eeldustel kalibreerib temperatuuri-skaleerimine mudeli ning seletame, miks ta praktikas niivõrd hästi töötab.