TSI logo 25 years
LV EN
Home > Par mums > Struktūra un pārvaldība > Anotācijas

LĪMENIS

PROGRAMMA

FAKULTĀTE

GADS

VALODA

ATSLĒGVĀRDI

Mašīniskās slīpēšanas algoritmu veiktspējas uzlabošana, samazinot datu kopas dimensiju, izmantojot šūnu automātus

Nozīmīgs izaicinājums mašīnmācīšanā ir darbs ar lieldimensiju datiem. Sarežģītība, kas pazīstama kā "dimensijas lāsts", izraisa mašīnmācīšanās algoritmu veiktspējas pasliktināšanos, palielinoties dimensijai un datu kopas lielumam. Šūnu automāti ir dinamiska diskrēta skaitļošanas sistēma ar matemātiskām funkcijām, kas pazīstamas kā noteikumi, kuri rada sarežģītu globālu uzvedību. Mēs izmantojām viendimensiju elementāros šūnu automātus kā rīku datu kopas lieluma noteikšanai. Modeļa mainīgie tika atlasīti sākotnējā stāvokļa vektora ģenerēšanai un tā tālākai pārveidošanai formātā, kas ir piemērots šūnu automāta noteikumu piemērošanai, ko šūnu automātu teorijā pazīst kā konfigurāciju. Pēc tam modelis tika iterēts, izmantojot visus iespējamos šūnu automāta noteikumus, un tika piemērotas dažādas epohālās variācijas. Samazinātās datu kopas modeļa veiktspēja tika salīdzināta ar sākotnējās datu kopas etalonrezultātiem pēc standarta dimensiju samazināšanas tehnikas izmantošanas. Tika secināts, ka piemērotos šūnu automātu noteikumus var izmantot kā alternatīvas metodes datu kopas izmēru samazināšanai, nepasliktinot modeļa veiktspēju.

Autors: Alexey Kuchvalskiy

Vadītājs: Dmitry Pavlyuk

Līmenis: Maģistrs

Gads: 2024

Darba valoda: Angļu

Studiju programma: Datorzinātnes

Vairāk...

Mašīnmācīšanās izmantošana lēmumu atbalsta sistēmā

Šī darba mērķis ir uzlabot gaidīšanas laiku prognozēšanas precizitāti esošajā rindas vadības sistēmā, izmantojot mašīnmācīšanos. Tika analizēti klienta sniegtie dati un modeļi tika apmācīti, izmantojot dažādus mašīnmācīšanās algoritmus. Tika apkopoti modeļu veiktspējas rādītāji un izvēlēts labākais. Papildus tika izstrādāta programmatūra un datubāze, kas ļauj kontrolēt apmācības procesu un novērtēt modeļu kvalitāti. Programmatūras kvalitāte tika novērtēta, izmantojot nozares standartmetodoloģijas, un tika pārbaudīta.

Autors: Jevgēnijs Nikolajevs

Vadītājs: Jeļena Kijonoka

Līmenis: Bakalaurs

Gads: 2024

Darba valoda: Latviešu

Studiju programma: Datorzinātnes

Vairāk...

Boosting algoritmi kredītkaršu krāpšanas atklāšanai dažādās datu kopās

Manuāla pārskatīšana un noteikumu bāzētas sistēmas, kā arī datu ieguves tehnikas, piemēram, klasterēšanas un klasifikācijas algoritmi, ir būtiski kredītkaršu krāpšanas atklāšanai, jo tie palīdz identificēt krāpnieciskas transakcijas. Neskatoties uz apmācības datu vākšanas grūtībām, nesen ir pieejami vairāk dati, tomēr pilnīga pašreizējo mašīnmācīšanās pieeju salīdzināšana vēl nav veikta. Algoritmi, piemēram, XGBoost, AdaBoost un Gradient Boosting Machine, bieži pārspēj vecākas metodes. Šajā pētījumā tiek salīdzināti palielināšanas algoritmi ar tradicionālām pieejām, izmantojot trīs dažādas kredītkaršu transakciju datu kopas: sintētiskas, līdzsvarotas ar 50% krāpnieciskām transakcijām un ļoti nesabalansētas ar tikai 0,17% krāpnieciskām transakcijām. Īstajās transakciju datu kopās bija 28 anonimizēti parametri, piemēram, laiks un vieta. Katrs algoritms tika novērtēts pēc F1 score, accuracy, precision, un recall. Šis pētījums sniedz ieteikumus par algoritmu izmantošanu reālās situācijās, sniedzot vērtīgas atziņas nākotnes pētījumiem un praktiskai izmantošanai kredītkaršu krāpšanas atklāšanā.

Autors: Justs Vīdušs

Vadītājs: Nadežda Spiridovska

Līmenis: Maģistrs

Gads: 2024

Darba valoda: Angļu

Studiju programma: Datorzinātnes

Vairāk...

Uz vibrāciju analīzi balstīta defektu diagnostika ar elektromotoru darbināmiem darbgaldiem, izmantojot konvolucionālos neironu tīklus

Šajā darbā tiek pētītas un novērtētas vibrācijas analīzes un konvolucionālo neironu tīklu (CNN) izmantošanas metodes, lai novērtētu urbju stāvokli, kas uzstādīti uz elektromotora darbināmiem urbjiem. Stratēģiski novietojot inerciālās mērvienības (IMU) sensoru, lai uztvertu paātrinājuma datus, dažādos darbības scenārijos var savākt plašu vibrācijas signālu klāstu. CNN modeļi tiek apmācīti un apstiprināti, izmantojot šos datus, lai precīzi noteiktu dažādus urbju uzgaļu bojājumu apstākļus un darbības stāvokļus, parādot iespēju ieviest mērogojamas un uzticamas kļūdu noteikšanas sistēmas rūpnieciskā vidē. Pētījums sasniedz tehnoloģiju gatavības līmeni (TRL) 3, kā liecina izmēģinājumi, kas efektīvi klasificē mašīnas apstākļus, izmantojot CNN, tādējādi apstiprinot piedāvātās tehnoloģijas kritiskās funkcijas. Šī pētījuma mērķis ir novērtēt vibrāciju analīzes efektivitāti, klasificējot urbjmašīnas darbības stāvokli kā labu, vidēju vai sliktu.Vibrācijas analīze ir metode, ko izmanto, lai analizētu mašīnas svārstību modeļus, lai identificētu tādas problēmas kā novirze, nelīdzsvarotība un nodilums.

Autors: Marawan Mohamed Ahmed Elsayed Youssef

Vadītājs: Emmanuel Alejandro Merchan Cruz

Līmenis: Maģistrs

Gads: 2024

Darba valoda: Angļu

Izgūšanas-papildināšanas ģenerēšanas sistēmu uzlabošanas stratēģijas

Šis darbs sistemātiski pēta izgūšanas-papildināšanas ģenerēšanas sistēmu (RAG) sistēmu uzlabošanu lielo valodu modeļos, uzsverot izguves parametru optimizāciju un ģenerēšanas precizitāti. Tiek pētīta RAG sistēmu optimālās konfigurācijas, tostarp informācijas daļu lielumu un pārklāšanās procentus, top-k atlasi, vaicājumu transformācijas, dažādas izguves metodes, dažādus lielos valodu modeļus, proti, GPT-3.5-Turbo un GPT-4, atklājot, ka informācijas lielums visbiežāk ir 500 marķieri. piedāvā vislabāko veiktspēju. Vektoru meklēšana, izmantojot kosinusu līdzību, kļūst par visefektīvāko izguves metodi, ievērojami uzlabojot gan konteksta precizitāti, gan dažādu uzdevumu un zināšanu bāzu atsaukšanu. Eksperimentēšana CRUD-RAG ietvaros parāda tās pielietojamību dažādos uzdevumos, sākot no satura izveides līdz zināšanu pilnveidošanai. Atklājumi liecina, ka izguves iestatījumu uzlabojumi var ievērojami uzlabot RAG sistēmu veiktspēju, padarot tās efektīvākas un pielāgojamākas sarežģītiem informācijas sintēzes un izguves uzdevumiem. Šie rezultāti apstiprina sistemātisku uzlabojumu potenciālu, lai uzlabotu mākslīgā intelekta vadītus valodas modeļus praktiskos lietojumos, sniedzot nozīmīgu ieskatu un praktiskas pieejas RAG sistēmu izpētes ainavai.

Autors: Sigita Lapiņa

Vadītājs: Dmitry Pavlyuk

Līmenis: Maģistrs

Gads: 2024

Darba valoda: Angļu

Studiju programma: Datorzinātnes

Vairāk...

Table View
Text View