I dagens samhälle är maskininlärning en metod som blir allt mer populär för att lösa olika problem som företag ställs inför världen runt. Många företag har berg av lagrad data som inte används till någon nytta. Den datan kan användas på många olika sätt för att göra förbättringar inom företagen. Ett av sätten är maskininlärning, det har blivit mer och mer populärt för att skapa rekommendationer. Det här projektets syfte är att skapa ett bevis på konceptet att en maskininlärningsmodell är kapabel att ge rekommendationer baserat på historisk data. Projektet kommer vara riktlinjer för hur Centrala Studiestödsnämnden (CSN) ska fortsätta med maskininlärning som ett alternativ till manuella rekommendationer. Det uppnås genom att determinera vilken data som ska användas, förstå datan som används och välja en algoritm som passar den datan. Sedan kan algoritmerna användas för att skapa maskininlärda modeller som kan testas i diverse olika sätt för att se vilken som passar ändamålet. Två modeller skapas med olika algoritmer som båda passar uppgiften. Modellerna testas genom praktiska och teoretiska test. Resultatet visar att algoritmerna är liknande i deras predikterade rekommendationer men har en del variation. / In today's society machine learning is a growing method to solve certain problems faced by companies worldwide. Many companies have mountains of stored data that are not being utilised. This data can be used in numerous ways to make improvements within these companies. One of the ways is machine learning, it is used more and more these days to generate recommendations. This project's purpose is to make a proof of concept of a machine learning model capable of giving recommendations based on historical data. This proof of concept will serve as guidelines to Centrala Studiestödsnämnden (CSN) in how they should approach machine learning as an alternative to manual recommendations. This is achieved by determining what data is to be used, understanding the data selected and then picking an algorithm suitable for that data. Then the algorithms will be used to create machine learned models which will be tested in various ways to see which works best for the task at hand. Two models are created with different algorithms that both fit the purpose. The models are tested through practical and theoretical tests. The results show that the algorithms are similar in which predicted recommendations they give but have slight variation.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:miun-39345 |
| Date | January 2020 |
| Creators | Nilsson, Gustav, Takolander, William |
| Publisher | Mittuniversitetet, Institutionen för informationssystem och –teknologi, Mittuniversitetet, Institutionen för informationssystem och –teknologi |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0026 seconds