Browsing by Author "Viin, Rauno"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Bootstrap-meetod kahjukindlustuse reservide hindamisel
    (Tartu Ülikool, 2013-06-11) Viin, Rauno; Käärik, Meelis, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
    Käesoleva töö eesmärgiks on kirjeldada Bootstrap-meetodi rakendamist reservide hindamisel ning tuua välja ja selgitada erinevaid võimalusi, millele Bootstrap-meetodi kasutamisel võiks tähelepanu pöörata. Magistritöö on jagatud viieks peatükiks. Esimeses peatükis selgitatakse täpsemalt reservide hindamise vajalikkust ning antakse ülevaade ahel-redel meetodi ideest. Teises peatükis tutvustatakse taasvalikumeetodeid ning keskendutakse Bootstrap-meetodi kirjeldamisele. Kolmas peatükk ühendab endas kahte esimest peatükki, selgitades täpsemalt, kuidas on Bootstrap-meetodit võimalik kahjureservide hindamiseks kasutada. Lisaks tuuakse välja mitmed olulised valikud, mis Bootstrap-meetodiga saadud tulemusi mõjutada võivad. Neljandas peatükis võrreldakse analüütiliselt tuletatud prognoosiviga Bootstrap-meetodil saadud prognoosiveaga ning viimases peatükis rakendatakse eelnevates peatükkides kirjeldatud Bootstrap-meetodit praktilistele ülesannetele. Reservide hindamine on hetkel väga aktuaalne teema seoses 2014. aasta algusest jõustuma hakkava Solventsus II direktiiviga, kuna uues riskipõhises Solventsus II mudelis on reserviriski hindamine ja vastavate vahemikhinnangute leidmine üks olulisemaid ülesandeid.
  • Thumbnail Image
    Item
    E-äri klientide klassifitseerimine rakenduse logide põhjal
    (2015) Panarin, Aleksei; Viin, Rauno; Karus, Siim
    Fits.me ettevõte on arendanud veebipõhise rakenduse, mis aitab veebipoodide külastajatel valida õiget suurust riideid. Virtuaalse Proovikabiini rakendus logib kasutajate tegevusi ja salvestab sisestatud kehamõõdud andmebaasi. Lisaks kasutatakse Google Analytics andmeid, mis annab andmeid veebipoe külastuste sessioonidest ja sellistest kasutajate omadustest, nagu asukoht, kasutatud tarkvara ja riistvara. Käesoleva lõputöö põhiline ülesanne on analüüsida andmed ja õppida eraldama logidest kasulikku informatsiooni. Täpsemalt, me tahame leida meetodi veebipoe kasutajate grupeerimiseks.\n\rEsimesel etapil me leiame viisi erinevatest allikatest andmete kokkupanemiseks. Me agregeerime andmeid kasutajate- ja sessioonipõhisteks profiilideks. Andmed on puhastatud. Nende vorm on informatiivsem, ning andmed on valmis edaspidiseks analüüsiks. Andmete puhastamine ja eeltöötlus moodustavad lõputöös tähtsa osa.\n\rAnalüüsietapil me kasutame kahte andmete klassifitseerimismeetodit. Need on Otsustuspuud ja Naive Bayes. Me otsustame grupeerida kasutajaid e-kaubanduse jaoks ühe tähtsa tunnuse järgi: me klassifitseerime kasutajaid selle järgi, kas nad on teinud ostu või mitte, kas nad on tagastanud ostetud toodet või mitte. Klassifitseerimispuu ega Naive Bayes ei tuvastanud olulisi seoseid uuritud atribuutide ja ostukäitumise vahel. Kuid regressioonipuu osutus kasulikuks sarnase käitumisega kasutajate gruppide leidmises. See näitab, millise käitumismustri korral on ostu tegemise tõenäosus suurem ning millise käitumise korral väiksem.