Koneoppimispohjaiset poikkeamien havainnointimenetelmät suoratoistodatassa

Tietueen suppeat tiedot
dc.contributor.authorKaseva, Jasmin
dc.contributor.departmentfi=Tietotekniikan laitos|en=Department of Computing|
dc.contributor.facultyfi=Teknillinen tiedekunta|en=Faculty of Technology|
dc.contributor.studysubjectfi=Tietotekniikka|en=Information and Communication Technology|
dc.date.accessioned2026-02-26T22:31:23Z
dc.date.available2026-02-26T22:31:23Z
dc.date.issued2026-02-19
dc.description.abstractSuoratoistavien sovellusten määrä kasvaa, ja samalla niiden datan määrä lisääntyy. Poikkeamien havainnointi (engl. Anomaly detection, AD) vaatii yhä useammin koneoppimista menetelmien taustalla suoriutumaan suoratoistodatan haasteista, kuten reaaliaikasuudesta ja moniulotteisuudesta. Tämä tutkielma on toteutettu kirjallisuuskatsauksena, jossa käydään läpi vuosina 2021-2025 julkaistua aihetta käsittelevää aineistoa. Tarkastelun kohteena on suoratoiston sovellusalueen merkitys AD-menetelmää valittaessa, sekä aiheen tulevaisuuden tutkimussuunnat. Tutkielman perusteella AD-menetelmät soveltuvat eri tavoin eri sovellusalueisiin, ja sovellusalueen merkitys menetelmää valitessa tulee kasvamaan. Soveltuvuuteen vaikuttaa koneoppiminen AD-menetelmän taustalla, suoratoistodatan ominaisuudet ja kontekstisidonnaisuus, sekä AD:n tarpeet ylipäätään. Tulevaisuudessa kontekstisidonnaisuus tulee todennäköisesti kasvamaan, ja saatavilla oleva opetusdata tulee vaikuttamaan algoritmien ja menetelmien kehitykseen. Samaan aikaan tarvitaan yhtenäisyyttä menetelmien tutkimiseen, jotta saadaan vertailukelpoisia tuloksia tulevaisuuden kirjallisuuskatsauksiin. Tutkielman perusteella AD-menetelmät soveltuvat eri tavoin eri sovellusalueisiin, ja sovellusalueen merkitys menetelmää valitessa tulee kasvamaan. Soveltuvuuteen vaikuttaa koneoppiminen AD-menetelmän taustalla, suoratoistodatan ominaisuudet ja kontekstisidonnaisuus, sekä AD:n tarpeet ylipäätään. Tulevaisuudessa kontekstisidonnaisuus tulee todennäköisesti kasvamaan, ja saatavilla oleva opetusdata tulee vaikuttamaan algoritmien ja menetelmien kehitykseen. Samaan aikaan tarvitaan yhtenäisyyttä menetelmien tutkimiseen, jotta saadaan vertailukelpoisia tuloksia tulevaisuuden kirjallisuuskatsauksiin.
dc.format.extent34
dc.identifier.olddbid214574
dc.identifier.oldhandle10024/197591
dc.identifier.urihttps://www.utupub.fi/handle/11111/1183
dc.identifier.urnURN:NBN:fi-fe2026022616461
dc.language.isofin
dc.rightsfi=Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.|en=This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.|
dc.rights.accessrightsavoin
dc.source.identifierhttps://www.utupub.fi/handle/10024/197591
dc.subjectsyväoppiminen, verkossa oppiminen, poikkeama, datan mallintaminen, suoratoisto
dc.titleKoneoppimispohjaiset poikkeamien havainnointimenetelmät suoratoistodatassa
dc.type.ontasotfi=Kandidaatintutkielma|en=Bachelor's thesis|

Tiedostot

Näytetään 1 - 1 / 1
Name:
Kaseva_Jasmin_Kandi_2026.pdf
Size:
441.64 KB
Format:
Adobe Portable Document Format
Lataa

Kokoelmat

Kandidaatin tutkielmat (kokotekstit)