Iskanje po katalogu digitalne knjižnice

Iskalni niz:	išči po
	išči po
	išči po
	išči po
Vrsta gradiva:	* po starem in bolonjskem študiju
Jezik:
Išči po:
Opcije:	Prikaži samo zadetke s celotnim besedilom
	Ponastavi

1 - 2 / 2

Uporaba metod strojnega učenja za klasifikacijo nalog po prioritetah v IT projektih
Tatyana Unuchak, Mirjana Kljajić Borštnar, Yauhen Unuchak, 2025, izvirni znanstveni članek

Opis: Določanje prioritet in razvrščanje nalog še vedno predstavlja izziv pri učinkovitem vodenju projektov. Obstaja veliko klasičnih pristopov za določanje prioritet. Vendar so te tehnike delovno intenzivne, subjektivne in neprilagodljive. V prispevku obravnavamo pristope za samodejno določanje prioritet nalog v IT projektih, ki temeljijo na strojnem učenju. Raziskujemo, kako lahko z uporabo metod strojnega učenja pomagamo projektnim vodjem pri učinkovitejšem razvrščanju nalog v IT projektih. V ta namen smo na množici več kot 1000000 zapisov projektnih nalog razvili klasifikacijski model za samodejno določanje prioritet. Problem, ki smo ga obravnavali, je večrazredni, pri tem je večina primerov, označenih z najvišjo prioriteto, kar predstavlja izziv pri modeliranju kot tudi pri učinkovitosti upravljanja IT projektov. Preskusili smo različne algoritme ter različne pristope, s ciljem izboljšanja rezultatov klasifikacije. Pokazali smo, da je naloge smiselno razvrstiti v manjše skupine prioritet, kar prispeva k večji natančnosti klasifikacijskega modela in preglednosti prioritet nalog, slednje pa lahko olajša upravljanje IT projektov.
Ključne besede: IT project management, machine learning, task prioritization, multiclass classification, data imbalance
Objavljeno v DKUM: 28.08.2025; Ogledov: 0; Prenosov: 3
Celotno besedilo (2,25 MB)
Gradivo ima več datotek! Več...

Uporaba metod strojnega učenja za izboljšanje procesa vodenja nalog pri projektnih dejavnostih
Tatyana Unuchak, 2024, magistrsko delo

Opis: Namen te raziskave je ugotoviti, kako lahko uporaba tehnik strojnega učenja izboljša procese upravljanja nalog v projektnih dejavnostih podjetij. Študija je bila izvedena z uporabo metodologije CRISP-DM na podatkih iz dveh virov o projektih Jira. Glavni koraki priprave podatkov so vključevali čiščenje podatkov, tokenizacijo, lematizacijo in uravnoteženje. Modeliranje je bilo izvedeno z uporabo petih klasifikatorjev: Random Forest, SVC (angl. support vector classifier), Logistic Regression, Gradient Boosting in kNN. Upoštevani so bili različni pristopi k razvrstitvi podatkov: razvrstitev v dva, tri in štiri razrede. Analiza je pokazala, da čiščenje podatkov iz tehničnih informacij ne vpliva na rezultate razvrščanja. Uravnoteženje je izboljšalo rezultate. Po našem mnenju je razvrstitev podatkov v dva, tri in celo štiri razrede pokazala dobre rezultate. Uvedba sentimentalne sestavine v model ni izboljšala rezultatov razvrščanja. Menimo, da je bil cilj raziskave dosežen. Nadaljnje raziskave so lahko usmerjene v izboljšanje algoritmov za čiščenje opisov projektnih nalog iz tehničnih informacij. Naši rezultati in priporočila bodo pripomogli k izboljšanju procesov upravljanja nalog v projektih in povečanju njihove učinkovitosti.
Ključne besede: vodenje projektov, strojno učenje, prioriteta nalog, algoritmi za razvrščanje
Objavljeno v DKUM: 05.07.2024; Ogledov: 93; Prenosov: 24
Celotno besedilo (6,35 MB)

Iskanje izvedeno v 0.03 sek.

Na vrh