aalto1 untyped-item.component.html
Syväoppimismenetelmät epidemiologisessa mallinnuksessa
Loading...
Files
Aalto login required (access for Aalto Staff only).
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Language
fi
Pages
27
Series
Abstract
Tämä kandidaatintyö on kirjallisuuskatsaus, jossa käsitellään syväoppimismenetelmiä taudin leviämisen mallintamisessa. Aineisto koostuu pääosin eri tahojen tutkimus- ja konferenssipapereista, joissa perehdytään tutkijoiden kehittämiin malleihin sekä mallien vertailututkimuksiin.
Työssä keskitytään syväoppimismalleista erityisesti graafisiin neuroverkkoihin. Lisäksi työssä esitellään mekanistinen malli SIR sekä hybridimalleja, jotka integroivat sekä mekanistisia että syväoppimismenetelmiä. Työn tavoitteena on määrittää, mitä heikkouksia ja vahvuuksia erityyppisillä malleilla on ja minkälaisiin tehtäviin mallit soveltuvat.
Työssä päätellään, että syväoppimismallien vahvuus on epidemioiden alueellisen leviämisen mallintaminen. Pelkät mekanistiset mallit perustuvat epärealistisiin oletuksiin, kun taas syväoppimismallit ovat huomattavasti joustavampia ja huomioivat ajan lisäksi myös muita dynaamisia tekijöitä, kuten ihmisten liikkuvuutta ja liikkuvuuden muutosta. Hybridimallit, jotka käyttävät sekä mekanistisia että syväoppimismenetelmiä, ovat parempia pidemmän aikavälin mallintamisessa. Mallit soveltuvat näin hyvin erilaisiin taudin leviämisen mallintamisen tehtäviin.