| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 2 / 2
First pagePrevious page1Next pageLast page
1.
CRISP-DM procesni model za podatkovno rudarjenje
Tadej Roškarič, 2022, undergraduate thesis

Abstract: Z vedno večjim napredkom tehnologije je na voljo vse več kapacitet za shranjevanje in analizo podatkov, pri čemer podatkovne baze postajajo vse kompleksnejše in iz tega razloga potrebujemo standardizirane postopke za analitično procesiranje. Medpanožni standardni postopek za podatkovno rudarjenje CRISP-DM (angl. Cross-Industry Standard Process for Data Mining) je primer tovrstnega standarda, ki je od njegovega nastanka leta 1996 še vedno med glavnimi procesnimi modeli na področju podatkovnega rudarjenja v vseh gospodarskih sektorjih. V tem diplomskem delu opredelimo njegove posamezne faze in korake ter jih podrobno opišemo. Ker podatkovno rudarjenje zaradi njegove poslovne vrednosti pridobiva vedno večji pomen, se na tem področju pojavlja vse več alternativ, zato CRISP-DM primerjamo z modeloma SEMMA (angl. Sample, Explore, Modify, Model, Assess) in ASUM-DM (angl. Analytics Solutions Unified Method for Data Mining) z zaključkom, da slednja nista dovolj fleksibilna za status splošnega standarda. Pregledali smo ustrezno literaturo in opravili študijo primera, v kateri smo optimizirali marketinško kampanjo za bančne storitve na podlagi podatkov portugalske finančne institucije. Po analizi literature in končanem praktičnem primeru smo pretehtali vpliv posameznih faz na kakovost rezultatov in ugotovili, da je v akademskem svetu najmanj pokrita prav faza uvedbe, ki pa je v praksi nepogrešljivega pomena. Prav tako smo izpostavili nekatere ključne pomanjkljivosti, ki znotraj originalnega CRISP-DM procesnega modela niso rešene. V ta namen smo predlagali dodatne korake, kot so postopek zbiranja podatkov, razširitev procesa uvedbe modela in nova faza podatkovne etike. Na podlagi teh predlogov ugotavljamo, da potreba po razširitvi prvotnega CRISP-DM modela obstaja.
Keywords: CRISP-DM, podatkovno rudarjenje, Python, procesni model, strojno učenje
Published in DKUM: 13.10.2022; Views: 391; Downloads: 33
.pdf Full text (2,24 MB)
This document has many files! More...

2.
Napovedovanje prodaje z dodatnimi odprtimi podatkovnimi viri
Denis Kolman, 2021, master's thesis

Abstract: Rešitev, predstavljena v nalogi, se osredotoča na izboljšanje procesa napovedovanja prodajnih rezultatov izdelkov ali storitev s pomočjo vpeljave dodatnih odprtih virov podatkov. Z nalogo želimo poudariti, kako enostavno lahko pridobimo podatke in jih zelo dragoceno uporabimo v procesu poslovanja. Za končno primerjavo in vrednotenje smo najprej postavili dva modela v različnih sistemih za napovedovanje prodajnih rezultatov na podlagi enega vira, to so zgodovinski podatki prodaje. V nadaljevanju smo napovedni model s historičnimi podatki nadgradili. Dodali smo še podatke o številu zabeleženih bolezni, ki smo jih pridobili preko spletnega portala z javno objavljenimi podatki (odprti podatki). Korelacija med omenjenimi podatki obstaja, vendar je povezovanje te vrste podatkov kompleksno, zato je interpretacija rezultatov po eni strani lahko zelo zahtevna, po drugi strani pa povsem logična in zanimiva. Cilj, ki smo si ga zadali, je torej pokazati tri različne modele za napovedovanje, jih primerjati in ugotoviti, kakšen doprinos prinesejo odprti podatki. Rezultati naloge so pokazali, da smo zgradili zelo dobro osnovo za nadaljnji razvoj rešitve in enostavno implementacijo v uporabo.
Keywords: Odprti (javni) podatki, napovedovanje, podatkovno rudarjenje, model CRISP-DM.
Published in DKUM: 07.12.2021; Views: 678; Downloads: 65
.pdf Full text (2,29 MB)

Search done in 0.87 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica