| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Sistem za avtomatizirano ocenjevanje časovnih okvirjev implementacije funkcionalnosti pri pripravi ponudb
Avtorji:ID Novak, Rok (Avtor)
ID Bošković, Borko (Mentor) Več o mentorju... Novo okno
ID Brest, Janez (Komentor)
Datoteke:.pdf MAG_Novak_Rok_2018.pdf (2,09 MB)
MD5: CC0925FBB7488A859BE5C4D22226C95A
PID: 20.500.12556/dkum/3dd9a19b-ff9d-49ae-94e4-e6810bbada85
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:V magistrski nalogi predstavljamo spletno aplikacijo, ki s pomočjo metod strojnega učenja napoveduje predvidene časovne okvirje posameznih funkcionalnosti pri pripravi ponudb za stranke podjetja. Aplikacija rešuje problem z regresijo in za napovedovanje uporablja tri različne algoritme, in sicer linearno regresijo, k-najbližjih sosedov in metodo podpornih vektorjev. Algoritmi modele naučijo na osnovi že dokončanih časovnih okvirjev. Ob vsakem novem podatku, ki ustreza pogojem, da ga uvrstimo v učno množico, se modeli na novo naučijo. Algoritme smo med seboj primerjali s tremi merami uspešnosti. To so koren srednje kvadratne napake, srednja absolutna napaka in korelacijski koeficient. Raziskovali smo hipotezo, da lahko s strojnim učenjem napovemo podobne ocene, kot jih je podal človek. Izmed izbranih algoritmov je najbolj natančne rezultate podala metoda podpornih vektorjev. S primerjavo mer uspešnosti in odstopanj med napovedmi modelov algoritmov in človeka smo prišli do zaključka, da lahko našo hipotezo potrdimo. Rezultati so pokazali, da so modeli algoritmov podali dovolj natančne ocene, saj napake pri napovedi ne bi imele neposrednega vpliva na izvedbo projekta.
Ključne besede:priprava ponudb, ocenjevanje časovnih okvirjev, strojno učenje, regresija
Kraj izida:[Maribor
Založnik:R. Novak
Leto izida:2018
PID:20.500.12556/DKUM-70600 Novo okno
UDK:004.58:004.728.8(043.2)
COBISS.SI-ID:21512214 Novo okno
NUK URN:URN:SI:UM:DK:2C9PMCWS
Datum objave v DKUM:26.06.2018
Število ogledov:1279
Število prenosov:138
Metapodatki:XML DC-XML DC-RDF
Področja:KTFMB - FERI
:
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:29.05.2018

Sekundarni jezik

Jezik:Angleški jezik
Naslov:A system for automated evaluation of time estimates for implementation of functionalities in the process of offer preparation
Opis:In the master's thesis we present an online application that, with the help of methods of machine learning, predicts the anticipated time estimates of individual functionalities in offer preparations for the clients of the company. The application solves the regression problem and uses three different algorithms for predicting: linear regression, k-nearest neighbours, and support vector machine. Algorithms teach models on the basis of already completed time estimates. Each new data, which meets the conditions for classifying it into a learning set, the models re-learn. The algorithms were compared with three performance metrics. These are a root mean square error, a mean absolute error and a correlation coefficient. We have explored the hypothesis that with machine learning, we can predict similar estimates as man has done. Among the selected algorithms, the most accurate results were given by the support vector machine. By comparing the merit of success and deviations between forecasts of algorithms and man, we have come to the conclusion that our hypothesis can be confirmed. The results showed that the models of algorithms gave sufficiently precise estimates, as the errors in the forecast would have no direct impact on the implementation of the project.
Ključne besede:offer preparation, evaluation of time estimates, machine learning, regression


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