lnu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Smart task logging: Prediction of tasks for timesheets with machine learning
Linnéuniversitetet, Fakulteten för teknik (FTK), Institutionen för datavetenskap och medieteknik (DM).
Linnéuniversitetet, Fakulteten för teknik (FTK), Institutionen för datavetenskap och medieteknik (DM).
2018 (Engelska)Självständigt arbete på grundnivå (högskoleexamen), 10 poäng / 15 hpStudentuppsats (Examensarbete)
Abstract [en]

Every day most people are using applications and services that are utilising machine learning, in some way, without even knowing it. Some of these applications and services could, for example, be Google’s search engine, Netflix’s recommendations, or Spotify’s music tips. For machine learning to work it needs data, and often a large amount of it. Roughly 2,5 quintillion bytes of data are created every day in the modern information society. This huge amount of data can be utilised to make applications and systems smarter and automated. Time logging systems today are usually not smart since users of these systems still must enter data manually. This bachelor thesis will explore the possibility of applying machine learning to task logging systems, to make it smarter and automated. The machine learning algorithm that is used to predict the user’s task, is called multiclass logistic regression, which is categorical. When a small amount of training data was used in the machine learning process the predictions of a task had a success rate of about 91%.

Ort, förlag, år, upplaga, sidor
2018. , s. 28
Nyckelord [en]
Computer science, machine learning, multiclass logistic regression, multinomial logistic regression, Scala, JavaScript, web application, training data
Nationell ämneskategori
Datorsystem
Identifikatorer
URN: urn:nbn:se:lnu:diva-76152OAI: oai:DiVA.org:lnu-76152DiVA, id: diva2:1220634
Externt samarbete
HRM Software
Ämne / kurs
Datorteknik
Utbildningsprogram
Datateknik, högskoleingenjör, 180 hp
Handledare
Examinatorer
Tillgänglig från: 2018-06-19 Skapad: 2018-06-19 Senast uppdaterad: 2018-06-19Bibliografiskt granskad

Open Access i DiVA

fulltext(623 kB)106 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 623 kBChecksumma SHA-512
8963d39d45563c00d300c1a4d8b93436dde4d5eff51555cc5721ee5024a8bf2d857ec4f2edadfc5dbb1fe108910b1c17b90b5b7f7b18017ceea0064a2ef28ba1
Typ fulltextMimetyp application/pdf

Sök vidare i DiVA

Av författaren/redaktören
Bengtsson, EmilMattsson, Emil
Av organisationen
Institutionen för datavetenskap och medieteknik (DM)
Datorsystem

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 106 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 470 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf