دانلود پایان نامه تحلیل داده پیش بین مبتنی بر یادگیری ماشین برای سیستم تست تعبیه شده

1. مقدمه 2. پیشینه تحقیق 3. کارهای مرتبط 4. فرمولاسیون مساله 5. روش 6. ملاحظات اخلاقی و اجتماعی 7. مطالعه تجربی و پیاده سازی 8. نتایج 9. بحث و بررسی 10. نتیجه گیری 11. کارهای آینده

چکیده – سازمان ها حجم عظیمی از داده ها را گردآوری می کنند و این داده ها را برای استخراج نگرش های مفید برای شان و کمک به گرفتن تصمیمات بهتر، تحلیل می کنند. تحلیلگرهای داده پیش بینی کننده، یکی از رشته های مهم در زمینه تحلیلگرهای داده می باشد که می تواند پیش بینی های دقیقی بگیرد. تحلیلگرهای داده پیش بینی کننده، نگرش ها را از داده ها با استفاده از الگوریتم های یادگیری ماشین استخراج می کنند. این پایان نامه، الگوریتم یادگیری نظارتی را برای انجام تحلیل داده پیش بینی کننده در «سیستم آزمون تعبیه شده» در شرکت «شریک مهندسی اسکاندیناوی»، ارائه می دهد. «نگهداری پیش بینی کننده»، مفهومی است که اغلب در صنایع ساخت و تولید استفاده می شود که اشاره به پیش بینی خرابی دارایی ها قبل از رخدادشان دارد. الگوریتم های یادگیری ماشین استفاده شده در این پایان نامه «ماشین های بردار پشتیبانی»، «پرسپترون های چندلایه»، جنگل های تصادفی و تقویت گرادیانی می باشند. دسته بندی کننده های باینری و چند کلاسی برای برازش مدل ها ارائه شدند و روش های اعتباریابی متقابل، نمونه گیری و یک ماتریس سردرگمی برای سنجش دقیق عملکرد آنها ارائه شده است. علاوه بر دقت، سنجش یادآوری، صحت، f1، کاپا، mcc و roc auc نیز استفاده می شوند. مدل های پیش بینی برازش شده به دقت بالایی دست یافتند.

Organizations gather enormous amounts of data and analyze these data to extract insights that can be useful for them and help them to make better decisions. Predictive data analytics is a crucial subfield within data analytics that make accurate predictions. Predictive data analytics extracts insights from data by using machine learning algorithms. This thesis presents the supervised learning algorithm to perform predicative data analytics in Embedded Test System at the Nordic Engineering Partner company. Predictive Maintenance is a concept that is often used in manufacturing industries which refers to predicting asset failures before they occur. The machine learning algorithms used in this thesis are support vector machines, multi-layer perceptrons, random forests, and gradient boosting. Both binary and multi-class classifier have been provided to fit the models, and cross-validation, sampling techniques, and a confusion matrix have been provided to accurately measure their performance. In addition to accuracy, recall, precision, f1, kappa, mcc, and roc auc measurements are used as well. The prediction models that are fitted achieve high accuracy.