Väitös informaatiotekniikan alalta, DI Jaakko Talonen

2015-03-27 12:00:00 2015-03-27 23:59:59 Europe/Helsinki Väitös informaatiotekniikan alalta, DI Jaakko Talonen Advances in Methods of Anomaly Detection and Visualization of Multivariate Data http://sci.aalto.fi/fi/midcom-permalink-1e4c94c3de85c86c94c11e4bf0641cf4863a11ba11b Otaniementie 17, 02150, Espoo

Advances in Methods of Anomaly Detection and Visualization of Multivariate Data

27.03.2015 / 12:00
sali TU1, Otaniementie 17, 02150, Espoo, FI

Diplomi-insinööri Jaakko Talonen väittelee perjantaina 27.3.2015 klo 12 Aalto-yliopiston perustieteiden korkeakoulussa, salissa TU1, Otaniementie 17, Espoo. Väitöskirjassa “Advances in Methods of Anomaly Detection and Visualization of Multivariate Data” (suomeksi: "Edistysaskeleet monimuuttujadatan poikkeavuuksien tunnistamis- ja visualisointimenetelmissä") kehitettiin ja sovellettiin koneoppimisjärjestelmiä hyödyllisen informaation löytämiseksi monenlaisista data-aineistoista. Tämä helpottaa poikkeavuuksien tunnistamista ja siten tarjoaa paremman tuen päätöksentekoon sovellusalasta riippumatta.

Tiedonlouhinta on monitieteellinen tutkimusalue, joka pyrkii löytämään hyödyllistä informaatiota suurista data-aineistoista. Väitöskirjassa kehitetyillä ja sovelletuilla tilasto- ja koneoppimismenetelmillä pystytään tehokkaammin hyödyntämään rajusti lisääntyvää informaatiota. Data voidaan muuttaa ymmärrettävään muotoon, havaita siinä esiintyviä poikkeavuuksia ja siten käyttää päätöksenteon tukena sovellusalasta riippumatta. Menetelmien kehitystyöhön ja tulosten esittämiseen käytettiin prosessisignaalimittauksia Olkiluodon ydinvoimalasta, eduskuntavaalien tuloksia ja ehdokkaiden vaalikonevastauksia sekä autokatsastustilastoja.

Suosittelujärjestelmää käytetään tyypillisesti sopivien tuotteiden markkinointiin asiakkaille. Tässä väitöskirjassa sitä käytettiin puuttuvan informaation estimointiin, jotta aineiston poikkeavimmat havainnot tunnistettaisiin mahdollisimman tehokkaasti eri konteksteissa visualisointien ja muiden koneoppimismenetelmien avulla. Poikkeamat aikasarjamittauksissa on mahdollista tunnistaa lähes automaattisesti esimerkiksi itsestään oppivien ja mukautuvien mallien avulla. Tulokset osoittavat, että aineistojen tarkasteleminen monesta eri perspektiivistä on tarpeen, sillä poikkeavuudet ovat harvoin yksiselitteisiä. Tämän takia kehittyneet poikkeavuuksien tunnistamis- ja visualisointimenetelmät erilaisissa käytännön sovelluksissa ovat tarpeen.

Väitöstiedote (pdf)

Vastaväittäjä: Professori Anatoly Sachenko, Ternopil National Economic University, Ukraina

Kustos: Professori emeritus Olli Simula, Aalto-yliopiston perustieteiden korkeakoulu, tietotekniikan laitos

Elektroninen väitöskirja: http://urn.fi/URN:ISBN:978-952-60-6112-2

Perustieteiden korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/52