| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Metode za napovedovanje intervalnih spremenljivk na družboslovnih podatkih : diplomsko delo visokošolskega študijskega programa Informacijska varnost
Avtorji:ID Blagojević, Danijel (Avtor)
ID Mihelič, Anže (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf VS_Blagojevic_Danijel_2024.pdf (1006,06 KB)
MD5: 6FE4AFEF737D76F7C13860D49D5E1063
 
Jezik:Slovenski jezik
Vrsta gradiva:Diplomsko delo/naloga
Tipologija:2.11 - Diplomsko delo
Organizacija:FVV - Fakulteta za varnostne vede
Opis:Diplomsko delo obravnava uporabo metod podatkovnega rudarjenja za napovedovanje intervalnih spremenljivk v družboslovnih podatkovnih množicah, kjer je analiza velikih in kompleksnih podatkov pogosto izziv. Podatkovno rudarjenje omogoča odkrivanje skritih vzorcev in povezav, ki jih z običajnimi metodami analize težko zaznamo, ter omogoča napovedovanje prihodnjih dogodkov na osnovi preteklih podatkov. V nalogi so preučene različne metode, kot so linearna regresija, nevronske mreže, metoda k najbližjih sosedov (kNN), podporni vektorji (SVM) in odločitvena drevesa, pri čemer se raziskuje njihova učinkovitost pri obdelavi družboslovnih podatkov. Naloga vključuje primerjavo učinkovitosti teh metod z uporabo različnih metrik, kot so MSE, RMSE, MAE in R2, ki zagotavljajo celovito oceno natančnosti napovedi. Rezultati kažejo, da so nevronske mreže in linearna regresija med najuspešnejšimi metodami za napovedovanje intervalnih spremenljivk v družboslovnih podatkovnih množicah. Nevronske mreže izkazujejo posebno prednost pri odkrivanju skritih vzorcev v kompleksnih podatkovnih strukturah, medtem ko je linearna regresija učinkovita zaradi svoje preprostosti in razumljivosti. Raziskava poudarja pomen prilagajanja izbranih metod značilnostim podatkovnih množic in potrebam analize. Izpostavlja tudi, da lahko ustrezna izbira metode vpliva na uspešnost napovedovanja in natančnost pridobljenih rezultatov. S tem prispeva k razumevanju optimalnih pristopov za analizo družboslovnih podatkov in odpira možnosti za nadaljnje raziskave, zlasti pri uporabi naprednejših tehnik strojnega učenja in prilagoditvah obstoječih metod. Naloga tako ponuja smernice za izbiro ustreznih metod podatkovnega rudarjenja glede na zahteve družboslovnih raziskav in spodbuja nadaljnje raziskovalno delo na tem področju.
Ključne besede:podatkovno rudarjenje, metode, družboslovje, množice, metrike, diplomske naloge
Kraj izida:Ljubljana
Kraj izvedbe:Ljubljana
Založnik:D. Blagojević
Leto izida:2024
Leto izvedbe:2024
Št. strani:IX f., [40] str.
PID:20.500.12556/DKUM-90477 Novo okno
UDK:303.7(043.2)
COBISS.SI-ID:209281795 Novo okno
Datum objave v DKUM:27.09.2024
Število ogledov:0
Število prenosov:22
Metapodatki:XML DC-XML DC-RDF
Področja:FVV
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share


Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:04.09.2024

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Methods for predicting interval variables in social science data
Opis:This thesis explores the use of data mining methods for predicting interval variables in social science data datasets, where the analysis of large and complex data is often challenging. Data mining enables the discovery of hidden patterns and connections that are difficult to detect using conventional analysis methods and allows for the prediction of future events based on past data. The thesis examines various methods, such as linear regression, neural networks, k-nearest neighbors (kNN), support vector machines (SVM), and decision trees, and investigates their effectiveness in processing social science data. The thesis includes a comparison of the effectiveness of these methods using various metrics, such as MSE, RMSE, MAE, and R2, which provide a comprehensive assessment of prediction accuracy. The results show that neural networks and linear regression are among the most successful methods for predicting interval variables in social science datasets. Neural networks demonstrate a particular advantage in uncovering hidden patterns in complex data structures, while linear regression is effective due to its simplicity and interpretability. The research emphasizes the importance of adapting the selected methods to the characteristics of data sets and the specific needs of the analysis. It also highlights that choosing the appropriate method can significantly impact the success of predictions and the accuracy of the obtained results. This contributes to understanding optimal approaches for analyzing social science data and opens opportunities for further research, especially in the use of advanced machine learning techniques and adaptations of existing methods. The thesis thus provides guidelines for selecting suitable data mining methods based on the requirements of social science research and encourages further exploration in this field.
Ključne besede:data mining, methods, social sciences, datasets, metrics


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici