PRIMJENA STROJNOG UČENJA U SVRHU DETEKTIRANJA ANOMALIJA U STREAMING PODACIMA

Majić, Stefani

prikaz prve stranice dokumenta PRIMJENA STROJNOG UČENJA U SVRHU DETEKTIRANJA ANOMALIJA U STREAMING PODACIMA

Pristup korisnicima matične ustanove

diplomski rad

PRIMJENA STROJNOG UČENJA U SVRHU DETEKTIRANJA ANOMALIJA U STREAMING PODACIMA

Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Ekonomski fakultet u Osijeku, 2017. urn:nbn:hr:145:279368

Majić, Stefani

Sveučilište Josipa Jurja Strossmayera u Osijeku
Ekonomski fakultet u Osijeku
Katedra za kvantitativne metode i informatiku

Institucijski repozitorij: EFOS REPOZITORIJ

Citirajte ovaj rad

APA 6th Edition

Majić, S. (2017). PRIMJENA STROJNOG UČENJA U SVRHU DETEKTIRANJA ANOMALIJA U STREAMING PODACIMA (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Ekonomski fakultet u Osijeku. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:145:279368

MLA 8th Edition

Majić, Stefani. "PRIMJENA STROJNOG UČENJA U SVRHU DETEKTIRANJA ANOMALIJA U STREAMING PODACIMA." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Ekonomski fakultet u Osijeku, 2017. https://urn.nsk.hr/urn:nbn:hr:145:279368

Chicago 17th Edition

Harvard

Majić, S. (2017). 'PRIMJENA STROJNOG UČENJA U SVRHU DETEKTIRANJA ANOMALIJA U STREAMING PODACIMA', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Ekonomski fakultet u Osijeku, citirano: 02.10.2024., https://urn.nsk.hr/urn:nbn:hr:145:279368

Vancouver

Majić S. PRIMJENA STROJNOG UČENJA U SVRHU DETEKTIRANJA ANOMALIJA U STREAMING PODACIMA [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Ekonomski fakultet u Osijeku; 2017 [pristupljeno 02.10.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:145:279368

IEEE

S. Majić, "PRIMJENA STROJNOG UČENJA U SVRHU DETEKTIRANJA ANOMALIJA U STREAMING PODACIMA", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Ekonomski fakultet u Osijeku, Osijek, 2017. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:145:279368

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:145:279368

Podaci o radu

Naslov	PRIMJENA STROJNOG UČENJA U SVRHU DETEKTIRANJA ANOMALIJA U STREAMING PODACIMA
Naslov (engleski)	USING MACHINE LEARNING FOR ANOMALY DETECTION IN STREAMING DATA
Autor	Stefani Majić
Mentor	Marijana Zekić Sušac (mentor)
Član povjerenstva	Marijana Zekić Sušac (predsjednik povjerenstva)
Član povjerenstva	Sanja Pfeifer (član povjerenstva)
Član povjerenstva	Domagoj Sajter (član povjerenstva)
Ustanova koja je dodijelila akademski / stručni stupanj	Sveučilište Josipa Jurja Strossmayera u Osijeku Ekonomski fakultet u Osijeku (Katedra za kvantitativne metode i informatiku) Osijek
Datum i država obrane	2017-09-11, Hrvatska
Znanstveno / umjetničko područje, polje i grana	DRUŠTVENE ZNANOSTI Ekonomija Poslovna informatika
Sažetak	Cilj ovoga rada je istraživanje upotrebe algoritama strojnog učenja za detektiranje anomalija u streaming podacima. Streaming podaci su slijed stavki koje su u stvarnom vremenu (eng. real-time), kontinuirani te poredani implicitno po vremenu dolasku ili eksplicitno po vremenskoj oznaci (eng. timestamp). Aktualnost ovog rada pronalazi se u sve većem porastu količine dostupnih podataka porastom upotrebe big data i interneta stvari. U radu su predstavljena istraživanja brojnih autora koji su istraživali ovu tematiku te algoritmi, alati i metode kao i problemi implementacije algoritama strojnog učenja na streaming podacima. U praktičnom dijelu rada obrađene su metoda potpornih vektora i analiza glavnih komponenti (PCA) kako bi se identificirala njihova uspješnost u radu sa streaming podacima. Metoda potpornih vektora ima brojnih prednosti, ali i nedostataka, no ono što ju čini zanimljivom je njezina primjenjivost na skupu podataka u kojemu nema mnogo anomalija jer u stvarnosti nema puno sustava koji bi si dopustili velik broj abnormalnih podataka i to najčešće zbog troškova koje bi to prouzrokovalo. Kreirani model prepoznaje anomalije sa ukupnom stopom točnosti od 96,4% na uzorku za validaciju. Iako je područje u posljednje vrijeme dosta istraživano ima još dosta mjesta za razvoj, a uzevši u obzir eksponencijalni rast količine podataka, za pretpostaviti je kako će se o ovoj temi još dosta raspravljati.
Sažetak (engleski)	The aim of this thesis is to explore the use of machine leaning algorithms for detecting anomalies in streaming data. Streaming data is a real-time, continuous sequence of items that are ordered implicitly by arrival time or explicitly by timestamp. The actuality of this thesis lies in an ever-increasing amount of available data because of the increase of using Big Data and Internet of Things. The paper presents research by numerous authors who have been researching this topic, algorithms, tools and methods as well as the problems of deploying and implementing machine learning algorithms on streaming data. In the practical part of the paper, the Support Vector Machine and Principal Component Analysis were used to identify their performance in streaming data. The Support Vector Machines have many advantages and disadvantages, but what makes it interesting is that it can be applied to a set of data in which there is not much data classified as anomalies, since in real life no system would allow a large number of abnormal data due to security and high costs. The created model shows an accuracy of 96,4% on validation data. Although this area has been explored for quite some time, there is still plenty of room for development if the exponential increase in data volume is considered. Therefore, it can be assumed that this topic is still to be discussed.
Ključne riječi
Ključne riječi (engleski)
Jezik	hrvatski
URN:NBN	urn:nbn:hr:145:279368
Studijski program	Naziv: Poslovna ekonomija; smjerovi: Poslovna informatika Smjer: Poslovna informatika Vrsta studija: sveučilišni Stupanj studija: diplomski Akademski / stručni naziv: Magistar/magistra ekonomije (mag.oec.)
Vrsta resursa	Tekst
Način izrade datoteke	Izvorno digitalna
Prava pristupa	Pristup korisnicima matične ustanove
Uvjeti korištenja
Datum i vrijeme pohrane	2017-10-11 11:29:36

Search form