El Shawi, Radwa, juhendajaRehand, GregorTartu Ülikool. Loodus- ja täppisteaduste valdkondTartu Ülikool. Arvutiteaduse instituut2025-10-202025-10-202025https://hdl.handle.net/10062/116885Andmete hulk maailmas on pidevas kasvutrendis, mis on tekitanud ka suurenenud nõudlust ja võimalusi masinõppe mudelite rakendamiseks. Kuigi traditsiooniliselt on masinõppe puhul piiravaks sisendiks olnud madal andmete hulk või puuduvad arvutusvõimsused, on üha enam pudelikaelaks muutumas vajaminev tööjõud andmeteadlaste näol. Automatiseeritud masinõppe on teadusharu, mille eesmärk on automatiseerida otsuseid, mida inimesed peavad langetama ehitades masinõppe lahendusi, nagu näiteks sobiva algoritmi valimine ning sellele algoritmile parimate hüperparameetrite väärtuste leidmine. Mitmete automatiseeritud masinõppe raamistike eesmärk on sisendiks antud andmestikule soovitada parim võimalik masinõppe algoritm ja selle hüperparameetrid, mida kasutaja saaks rakendada oma masinõppe lahenduses. Antud magistritöö eesmärk on luua uus raamistik automatiseeritud klasterdamiseks. Välja pakutud raamistik põhineb meta-õppimisel ning kasutab meta-õppurina transformeritel põhinevat alusmudelit TabPFN.enAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttps://creativecommons.org/licenses/by-nc-nd/4.0/AutoMLautomated clusteringCASH OptimizationTabPFNautomatiseeritud klasterdaminemagistritöödinformaatikainfotehnoloogiainformaticsinfotechnologyThesis