Statistics and Probability Commons^™

Exact Testing For Heteroscedasticity In A Two-Way Layout In Variety Frost Trials When Incorporating A Covariate, Angelika A. Pilkington, Brenton R. Clarke, Dean A. Diepeveen

Grain and Other Field Crops Research Articles

Two-way layouts are common in grain industry research where it is often the case that there are one or more covariates. It is widely recognised that when estimating fixed effect parameters, one should also examine for possible extra error variance structure. An exact test for heteroscedasticity, when there is a covariate, is illustrated for a data set from frost trials in Western Australia. While the general algebra for the test is known, albeit in past literature, there are computational aspects of implementing the test for the two way when there are covariates. In this scenario the test is shown to …

Predicting Superconducting Critical Temperature Using Regression Analysis, Roland Fiagbe

Data Science and Data Mining

This project estimates a regression model to predict the superconducting critical temperature based on variables extracted from the superconductor’s chemical formula. The regression model along with the stepwise variable selection gives a reasonable and good predictive model with a lower prediction error (MSE). Variables extracted based on atomic radius, valence, atomic mass and thermal conductivity appeared to have the most contribution to the predictive model.

A 3-Step, Open-Data, Ride-Hailing Ridership Model With Pricing Applications, Richard A. Mucci

Theses and Dissertations--Civil Engineering

Researchers and practitioners studied the effects ride-hailing had in cities before the covid-19 pandemic. Previous research found ride-hailing to produce negative externalities, such as reducing transit ridership and increasing congestion in various cities. Since the pandemic, ride-hailing ridership has nearly recovered to pre-pandemic levels in Chicago. Ride-hailing ridership has grown steadily since the pandemic while a rider’s willingness to share their trip stagnated. Ride-hailing ridership nearly recovering to pre-covid levels in Chicago suggests that transportation planners, and policy makers, will need to continue assessing the impacts ride-hailing trips have in their cities.

Pickup and drop off locations in the Chicago …

Differential Impacts Of Weather Anomalies On Household Energy Expenditure Shares: A Comparison Of Clustered Panel Analysis Methods, Jordan Champion

Theses and Dissertations--Agricultural Economics

Recent emphasis on environmental justice has highlighted deficiencies in our energy system that produce disparities in accessibility and affordability for the most vulnerable. Meanwhile, the realities of a gradually warming climate and the onset of a global energy crisis (IEA 2022) have coincidently contributed to spikes in both energy prices and demand. These implications threaten to further exacerbate existing disparities for income-constrained and vulnerable populations, enhancing their risk of falling into prolonged insecurity. To ensure our transition to a just, sustainable future, we must first ensure equitable access to affordable and reliable energy for everyone. Combining household-level panel and state-level …

Outpatient Fall Prevention In Ambulatory Adults 65 Years Old And Over, Dorothy L. Osborne-White

Doctor of Nursing Practice (DNP) Scholarly Projects - Archive

Background: In the United States (U.S.), falls are the leading cause of injury among adults 65 and over, resulting in 36 million falls yearly (Moreland et al., 2020). According to the Centers for Disease Control and Prevention (CDC, 2023), one in four older adults experiences a fall each year. Falls are the world's second most prominent cause of accidental deaths (World Health Organization [WHO], 2021). Falls are the leading cause of both fatal and non-fatal injuries among older adults (Moreland et al., 2020).

Methods: A quality improvement project that included a fall bundle was implemented in a primary clinic. A …

Cryptographic Algorithms, Cryptocurrencies, And A Predictive Model Of Bitcoin Value By Pls Regression, Paul Kenneth O'Connor

Masters Theses

"With the invention of Bitcoin in 2009, as a seemingly timed response to the ongoing financial crisis, the popularity of the cryptocurrency has since continued to grow. Just this year, the Security Exchange Commission approved Bitcoin for exchange traded funds, allowing major investment firms to begin product trading. With this approval, and during this very moment of writing, Bitcoin has entered a bull market and reached a record value of over 72,000 USD. In addition, the Bitcoin halving event in April of 2024 is expected to increase demand even further. It has been anticipated that Bitcoin and other cryptocurrencies will …

Coral Scar Investigation: An Application Of Machine Learning And Computational Biology Methods To Understand Coral Holobiont Response To Various Tissue Loss Diseases, Emily W. Van Buren

Biology Dissertations - Archive

Coral disease is one of the biggest challenges facing coral reefs that actively changes biodiversity resulting in coral decline. With the rising threat of diseases, corals require biomarkers that reflect the immune systems and differences between common coral tissue loss diseases to best assist in coral restoration efforts. To obtain these biomarkers, my dissertation leverages two previously published datasets from two tissue loss disease exposure studies to investigate genes that are relevant for coral immune pathways, disease susceptibility, and classification between the diseases. In Chapter 2, I use comparative computational biology tools and protein assays to identify the melanin cascade …

Reinforcement Learning: Applying Low Discrepancy Action Selection To Deep Deterministic Policy Gradient, Aleksandr Svishchev

College of Graduate Studies: Theses & Dissertations

Reinforcement learning (RL) is a subfield of machine learning concerned with agents learning to behave optimally by interacting with an environment. One of the most important topics in RL is how the agent should explore, that is, how to choose actions in order to rate their impact on long-term reward. For example, a simple baseline strategy might be uniformly random action selection. This thesis investigates the heuristic idea that agents will learn faster if they explore by factoring the environment’s state into their decision and intentionally choose actions which are as different as possible from what they have previously observed. …

Performing Holt-Winters Time Series Forecasting Using Neural Network Based Models, Kazeem Olanrewaju Bankole

College of Graduate Studies: Theses & Dissertations

We show how to create Artificial Neural Network based models for performing the well- known Holt-Winters time series analysis. Our work fares well compared to the well-known Holt-Winter time series prediction method while avoiding the burden of searching for the parameters of the model. We present the theoretical justification of the connection between the two models and experimental results showing the similarities of these models

Examining Stigma In Rural Mental Health Care Settings: A Mixed Methods Approach, Lainie Krumenacker

Murray State Theses and Dissertations

More than half of Americans will be diagnosed with a mental illness in their lifetime (CDC, 2021), yet stigma towards mental health affects both patients and providers. Although programs exist to address stigma, improve cultural competency among providers, and educate families on the importance of support, facilities are often limited on programs they provide due to allocation of resources and funds. Without a shift in treatment and programing, stigma will continue to impact patient care and outcome.

This study explored stigma among mental health providers in rural communities, while exploring potential differences in treatment among patients due to race. Mental …

L∞ Bounds For Transient Growth In Repetitive And Iterative Learning Control Systems, Douglas A. Bristow, John R. Singler

Mechanical and Aerospace Engineering Faculty Research & Creative Works

This paper revisits the problem of large transient growth in Iterative Learning Control (ILC) and Repetitive Process Control (RPC) systems. In ILC and RPC problems a process is repeated iteratively, with new control calculations occurring in between each iteration. Large transient growth refers to the propensity of some control algorithms to grow error exponentially before eventually converging. While robust monotonic convergence algorithms (in which monotonic convergence is guaranteed usually in exchange for a small loss in performance) have largely eliminated the concern for large transient growth in ILC, similar results cannot always be obtained in RPC. The emergence of additive …

ผลกระทบของฟังก์ชันกระตุ้นต่อประสิทธิภาพการใช้ข้อมูลของเครือข่ายประสาทเทียมแบบหลายผลลัพธ์, จินจุ เจริญยิ่งไพศาล

Chulalongkorn University Theses and Dissertations (Chula ETD)

เครือข่ายประสาทเทียมแบบหลายผลลัพธ์เป็นหนึ่งในแนวทางที่มีศักยภาพในการเพิ่มประสิทธิภาพข้อมูล อย่างไรก็ตาม ผลการศึกษาก่อนหน้านี้พบว่า ผลลัพธ์ทางทฤษฎีจากการเปรียบเทียบประสิทธิภาพของเครือข่ายประสาทเทียมแบบหลายผลลัพธ์ที่มีข้อจำกัด กับ เครือข่ายประสาทเทียมแบบผลลัพธ์เดียว และผลลัพธ์เชิงปฏิบัติจากการเปรียบเทียบเครือข่ายประสาทเทียมแบบหลายผลลัพธ์ กับเครือข่ายประสาทเทียมแบบผลลัพธ์เดียวยังคงมีความแตกต่างกัน งานวิจัยนี้มุ่งศึกษาผลกระทบของฟังก์ชันกระตุ้นในชั้นซ่อนที่มีต่อประสิทธิภาพการใช้ข้อมูลของเครือข่ายประสาทเทียมในการจำแนกประเภทแบบไบนารี โดยทำการศึกษาในฟังก์ชันกระตุ้น 4 ชนิด ได้แก่ ฟังก์ชัน Sigmoid, ReLU, Leaky ReLU (LReLUs) และ Exponential Linear Units (ELUs) ภายใต้โครงสร้างประสาทเทียม 2 ประเภทที่ใช้เกณฑ์ในการกำหนดโหนดซ่อนแตกต่างกัน โดยจากผลการวิจัยพบว่า ฟังก์ชัน sigmoid เป็นฟังก์ชันกระตุ้นที่สามารถทำให้ประสิทธิภาพเชิงปฏิบัติมีค่าใกล้เคียงกับผลลัพธ์เชิงทฤษฎีมากที่สุดในโครงสร้างทั้ง 2 ประเภท

Evaluating The Trojan Y Chromosome Strategy For The Removal Of Invasive Sacramento Pikeminnow From The Eel River, Ca, Alexander W. Juan

Cal Poly Humboldt theses and projects

The recent introduction and spread of Sacramento Pikeminnow (Ptychocheilus grandis) in Northern California’s Eel River Basin represents a significant threat and impediment to the recovery of several threatened native fish species. This study was undertaken to evaluate the Trojan Y Chromosome Strategy (TYC) for the extirpation of pikeminnow from the basin. TYC is a genetic biocontrol method that relies on the production and stocking of fish with YY sex chromosomes, which may be phenotypically male (YY male) or female (YY female). These YY fish produce all-male offspring when mating with their wild conspecifics and TYC can lead to …

ประสิทธิภาพของการทำนายความเสี่ยงการเกิดโรคเบาหวานร่วมกับความเสี่ยงการเกิดโรคความดันโลหิตสูงด้วยวิธีการเรียนรู้เชิงลึกสำหรับการจำแนกประเภทหลายเลเบล, วรรษา สุดใจ

Chulalongkorn University Theses and Dissertations (Chula ETD)

ในทางการแพทย์ การเรียนรู้เชิงลึกนิยมนำมาใช้ในการสร้างตัวแบบพยากรณ์ซึ่งค่อนข้างให้ผลที่ดีกว่าเมื่อเทียบกับตัวแบบดั้งเดิมแต่บางครั้งผู้ป่วยสามารถเป็นโรคพร้อมกันได้มากกว่าหนึ่งโรค การเรียนรู้เชิงลึกจึงถูกพัฒนาให้สามารถทำนายพร้อมกันได้หลายโรค เรียกว่าโครงข่ายประสาทเทียมประเภทจำแนกหลายเลเบล ถึงแม้โครงข่ายประสาทเทียมจะมีความสามารถที่ดีสำหรับการพยากรณ์แต่ยังมีความท้าทายในข้อมูลบางกลุ่มที่ข้อมูลมีจำกัด วิทยานิพนธ์ฉบับนี้จึงมีความสนใจที่จะทำการศึกษาโดยต้องการเพิ่มประสิทธิภาพของตัวแบบโดยรวมด้วยการใช้เลเบลผลลัพธ์ที่เกี่ยวข้องกันมาศึกษาผ่านข้อมูลโรคเบาหวานและโรคความดันโลหิตสูงซึ่งเป็นโรคที่มักเกิดร่วมกัน แบ่งการทดลองเป็นสองส่วนคือส่วนข้อมูลจำลองและข้อมูลจริงเพื่อเปรียบเทียบระหว่างโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าหลายเลเบลกับหนึ่งเลเบล ผลการศึกษาพบว่าในโครงข่ายประสาทเทียมหลายเลเบลให้ผลที่ดีในทางทฤษฎีที่ทดสอบกับข้อมูลจำลอง แต่ในข้อมูลจริงผลลัพธ์ของการใช้เลเบลที่มีความเกี่ยวข้องกันไม่สามารถลดค่าฟังชันการสูญเสียได้อย่างมีนัยสำคัญ แต่มีข้อดีคือช่วยลดความรุนแรงของปัญหา overfit ได้และสามารถให้ประสิทธิภาพการพยากรณ์ยังคงเทียบเท่าการใช้หนึ่งเลเบล

Developing Machine Learning And Time-Series Analysis Methods With Applications In Diverse Fields, Muhammed Aljifri

Theses and Dissertations

This dissertation introduces methodologies that combine machine learning models with time-series analysis to tackle data analysis challenges in varied fields. The first study enhances the traditional cumulative sum control charts with machine learning models to leverage their predictive power for better detection of process shifts, applying this advanced control chart to monitor hospital readmission rates. The second project develops multi-layer models for predicting chemical concentrations from ultraviolet-visible spectroscopy data, specifically addressing the challenge of analyzing chemicals with a wide range of concentrations. The third study presents a new method for detecting multiple changepoints in autocorrelated ordinal time series, using the …

The Effect Of Social Determinants Of Health On End-Stage Kidney Disease Mortality Across Diverse Adult Populations: Systematic Review And Meta-Analysis, Prince Agyapong

Electronic Theses and Dissertations

Background: This systematic review and meta-analysis aimed to examine the influence of social determinants of health (SDOH) on End-Stage Kidney Disease (ESKD) mortality among diverse racial populations. Given the high morbidity and mortality associated with ESKD, understanding the impact of various SDOH factors across different racial groups is crucial for improving patient outcomes.
Methods: A comprehensive literature search was conducted to identify studies reporting on the relationship between SDOH and ESKD mortality using the Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) format. Citations were collated in EndNote 21 and screened in Covidence by two independent reviewers, with inter-rater …

Principal Component Analysis With Application To Credit Card Data, Elenor Cain

Schultz-Werth Award Papers

Principal Component Analysis (PCA) is a type of dimension reduction technique used in data analysis to process the data before making a model. In general, dimension reduction allows analysts to make conclusions about large data sets by reducing the number of variables while retaining as much information as possible. Using the numerical variables from a data set, PCA aims to compute a smaller set of uncorrelated variables, called principal components, that account for a majority of the variability from the data. The purpose of this paper is to understand PCA and determine which principal components should be kept from a …

Defensive Impact Wins: Developing A New Method To Rate Individual Defense In Nba Games, Dylan J. Stiles

Honors Theses and Capstones

With the analytics revolution in sports in the past 20 years, it seems that everything that can be quantified is. In basketball though, trying to break the game down into a set of numbers comes with a unique problem. While we've come up with a good set of advanced numbers to measure offensive efficiency, defense is fundamentally harder to quantify. The game is played five on five, but it has often been popular or convenient to model defense as a set of five one on one games. As defenses became more complex into the 2010s, this methodology became more insignificant. …

Judging Our New Judges: Why We Must Remove Artificial Intelligence From Our Courtrooms Now, Kieran Duffy Newcomb

Honors Theses and Capstones

In this paper, I explore some of the ways in which artificial intelligence might enhance the sentencing process through recidivism prediction technology. Notably, this technology can increase the accuracy of risk predictions and the speed with which sentencing decisions are reached. I then show, however, that the recidivism prediction technology is likely to turn into what data scientist Cathy O’Neil calls a Weapon of Math Destruction. The potential harmfulness of this technology is due not to the inherent nature of the technology, but the symbiotic relationship it will have with our already harmful criminal justice system. I argue that the …

Machine Learning Approaches For Cyberbullying Detection, Roland Fiagbe

Data Science and Data Mining

Cyberbullying refers to the act of bullying using electronic means and the internet. In recent years, this act has been identifed to be a major problem among young people and even adults. It can negatively impact one’s emotions and lead to adverse outcomes like depression, anxiety, harassment, and suicide, among others. This has led to the need to employ machine learning techniques to automatically detect cyberbullying and prevent them on various social media platforms. In this study, we want to analyze the combination of some Natural Language Processing (NLP) algorithms (such as Bag-of-Words and TFIDF) with some popular machine learning …

การศึกษาเปรียบเทียบแบบจำลองโครงข่ายปฏิปักษ์เชิงกำเนิดในการสร้างภาพความละเอียดสูงเพื่อการตรวจจับวัตถุขนาดเล็ก, ภัทรชนน สกุลคู

Chulalongkorn University Theses and Dissertations (Chula ETD)

การตรวจจับวัตถุขนาดเล็ก (Small Object Detection) เป็นหนึ่งในความท้าทายด้านคอมพิวเตอร์วิทัศน์ เนื่องจากภาพที่มีความละเอียดต่ำมักมีข้อจำกัดด้านการระบุขอบเขตและรายละเอียดของวัตถุ งานวิจัยนี้มุ่งเน้นการเปรียบเทียบประสิทธิภาพของแบบจำลอง Super-Resolution GAN คือ SRGAN ESRGAN Real-ESRGAN และ BSRGAN กับวิธีการสร้างภาพความละเอียดสูงแบบดั้งเดิม คือ Bilinear และ Bicubic เพื่อศึกษาว่าการเพิ่มความละเอียดของภาพสามารถช่วยให้การตรวจจับวัตถุขนาดเล็กมีความแม่นยำสูงขึ้นหรือไม่ โดยการทดลองดำเนินการกับภาพต้นฉบับขนาด 160 × 160 พิกเซล และสร้างภาพความละเอียดสูงขนาด 640 × 640 พิกเซลก่อนนำไปประเมินผลการตรวจจับวัตถุผ่านตัวชี้วัด mAP@50 และ mAP@50-95 ในสามชุดข้อมูล ได้แก่ ภาพสายเคเบิล Microglia และวัชพืช Ridderzuring ผลการทดลองพบว่า SRGAN ให้ค่า mAP@50 สูงสุดในทุกชุดข้อมูล ในขณะที่ Real-ESRGAN และ BSRGAN มีค่าต่ำกว่าวิธีอื่นในบางกรณี อย่างไรก็ตาม แม้ว่า SRGAN จะมีความแม่นยำสูงสุด แต่ใช้เวลาในการสร้างภาพมากกว่าวิธี Bicubic ประมาณ 4-7 เท่า ทำให้ต้องพิจารณาความสมดุลระหว่างความเร็วและความแม่นยำ ทั้งนี้ ภาพต้นฉบับความละเอียดสูง (HR) ยังคงให้ค่าคะแนนสูงสุดในทุกชุดข้อมูล ซึ่งสะท้อนว่าการใช้ Super-Resolution สามารถลดช่องว่างระหว่างภาพความละเอียดต่ำและภาพต้นฉบับได้ และสามารถนำไปประยุกต์ใช้กับงานเกี่ยวกับการตรวจจับวัตถุจากภาพความละเอียดต่ำได้จริง

Parameter Tuning Of Information Directed Sampling In Credit Scoring Problems Under Ungeneralizable Contextual Logistic Bandit Model, Sorawit Panjapiyakul

Chulalongkorn University Theses and Dissertations (Chula ETD)

This study investigates the tuning parameter of Information Directed Sampling (IDS) in credit scoring problems under an ungeneralizable contextual logistic bandit framework. Decision-making scenarios, such as credit scoring and underwriting, involve balancing the tradeoff between exploration and exploitation, which is essential for optimizing learning efficiency in the environment while minimizing costs. The IDS algorithm offers a principled framework that leverages mutual information to enhance the decision-making process. However, its learning performance is dependent on the tuning parameter, denoted as gamma, which plays a key role in balancing information gain and expected regret. Extensive simulation experiments were conducted to identify the …

การศึกษาเปรียบเทียบการแทนค่าน้ำหนักสูญหายด้วยวิธีการเรียนรู้เชิงลึกกับวิธีดั้งเดิมด้วยวิธีการจำลองข้อมูลในบริบทของผู้ป่วยในและหอผู้ป่วยหนักภายในโรงพยาบาล, เมธัส ม่วงนาค

Chulalongkorn University Theses and Dissertations (Chula ETD)

การสูญหายของข้อมูลในเวชระเบียนโรงพยาบาล โดยเฉพาะในหอผู้ป่วยหนัก (ICU) และหอผู้ป่วยใน (IPD) เป็นปัญหาที่พบบ่อยและส่งผลต่อการดูแลผู้ป่วยและความถูกต้องของงานวิจัย การศึกษานี้เปรียบเทียบวิธีการแทนค่าสูญหาย 10 วิธี ได้แก่ เทคนิคแบบดั้งเดิม (Mean, Median, k-NN, MICE, MissForest), วิธีแบบผสม (HyperImpute) และวิธีแบบการเรียนรู้เชิงลึกหรือ DL (MLPRegressor, AEImputer, MIWAE, GAIN) โดยใช้ข้อมูลจำลอง 63 ตัวแปร ภายใต้เงื่อนไขควบคุม ได้แก่ ขนาดตัวอย่าง 3 ระดับ (5,000, 25,000, 50,000), กลไกการสูญหาย 3 รูปแบบ (MCAR, MAR, MNAR) และอัตราการสูญหาย 6 ระดับ (10% ถึง 60%) โดยประเมินผลด้วย RMSE, MAPE, เวลาในการประมวลผล และการใช้หน่วยความจำ ผลการศึกษาพบว่า Mean และ Median ยังให้ผลลัพธ์ที่ดี พร้อมความเร็วและใช้ทรัพยากรต่ำ MissForest และ HyperImpute ให้ความแม่นยำที่สมดุลกับประสิทธิภาพ เหมาะกับกรณีที่ข้อมูลขาดในระดับปานกลาง วิธีที่นิยมอย่าง MICE กลับมีข้อจำกัดกับชุดข้อมูลที่ไม่เป็นพาราเมตริก ทำให้ผลลัพธ์ด้อยกว่าในหลายเงื่อนไข ด้าน DL แม้บางวิธีให้ผลลัพธ์ดี แต่ต้องอาศัยการปรับแต่งพารามิเตอร์อย่างละเอียด และใช้ทรัพยากรมาก โดยวิธีกลุ่ม AEs มีความเสถียรที่สุด ส่วน GAIN มีความไวต่อรูปแบบข้อมูลและขนาดตัวอย่าง ให้ผลลัพธ์ไม่สม่ำเสมอ โดยสรุป แม้ DL จะมีศักยภาพ แต่ในหลายกรณี วิธีดั้งเดิมหรือแบบผสมยังคงเป็นทางเลือกที่ใช้งานได้จริงและคุ้มค่า

โครงข่ายประสาทเทียมสำหรับการวิเคราะห์การถดถอยเชิงเส้นตามบริบท, พศุตม์ รัตนศรีมงคล

Chulalongkorn University Theses and Dissertations (Chula ETD)

ปัญหาการถดถอยเชิงเส้นตามบริบท คือปัญหาที่ข้อมูลมีโครงสร้างแบ่งเป็นกลุ่ม โดยแต่ละกลุ่มถูกกำหนดโดยตัวแปรบริบท งานวิจัยนี้ศึกษาการนำ ตัวแบบ Contextual Neural Network (CtxtNN) มาใช้วิเคราะห์ปัญหาประเภทนี้ และเปรียบเทียบประสิทธิภาพกับ ตัวแบบพื้นฐานอย่าง Feedforward Neural Networks (FNN) ทั้งโครงสร้างขนาดเล็ก (FNN-Small) และขนาดใหญ่ (FNN-Large) ผ่านการทดลอง 3 กรณี โดยงานวิจัยนี้จะศึกษาเฉพาะปัญหาการถดถอยเชิงเส้นตามบริบท ที่ตัวแปรต้นไม่เกิน 8 ตัว ซึ่งมีตัวแปรเชิงบริบทไม่เกิน 3 ตัว และบริบทข้อมูลไม่เกิน 3 บริบทเท่านั้น โดยจากผลการวิจัยนี้สามารถสรุปได้ว่า ตัวแบบ CtxtNN เป็นตัวแบบที่สามารถเรียนรู้ความสัมพันธ์เชิงเส้นตามบริบทได้อย่างมีประสิทธิภาพ โดยให้ผลลัพธ์ที่มีประสิทธิภาพสูงที่สุดในการแก้ปัญหาการถดถอยเชิงเส้นตามบริบทเมื่อเทียบกับตัวแบบ FNN-Small และตัวแบบ FNN-Large แม้ใช้จำนวนพารามิเตอร์ที่น้อยกว่า จึงเป็นทางเลือกที่น่าสนใจสำหรับงานวิเคราะห์ปัญหาข้อมูลที่มีความสัมพันธ์เชิงบริบทกับผลเฉลย

การประมาณค่าพารามิเตอร์ของระบบที่สามารถซ่อมแซมได้ที่มีระบบย่อยหลายระบบภายใต้ผลกระทบจากการช็อก, ปวิชญา ปรีชา

Chulalongkorn University Theses and Dissertations (Chula ETD)

งานวิจัยนี้มีวัตถุประสงค์เพื่อประมาณค่าพารามิเตอร์ของระบบที่สามารถซ่อมแซมได้ภายใต้ผลกระทบจากการช็อก (shock effect) โดยจำลองระบบที่มีองค์ประกอบย่อยสององค์ประกอบ ซึ่งอาจมีความสัมพันธ์กัน การจำลองข้อมูลใช้แบบจำลอง Power Law Process (PLP) พร้อมกำหนดระดับ shock effect แบบคูณในช่วง 1.00–1.03 เพื่อสะท้อนอิทธิพลระหว่างองค์ประกอบ จากนั้นทำการประมาณค่าพารามิเตอร์ด้วยวิธี Maximum Likelihood Estimation (MLE) ภายใต้สี่รูปแบบ ได้แก่ 1) องค์ประกอบ มีความสัมพันธ์กัน 2) มีความสัมพันธ์และทราบพารามิเตอร์ขนาด 3) ไม่มีความสัมพันธ์กัน และ 4) ไม่มีความสัมพันธ์และทราบพารามิเตอร์ขนาด โดยศึกษาในกรณีที่จำนวนการล้มเหลวสูงสุด n = 25, 35 และ 50 ผลการวิเคราะห์พบว่า พารามิเตอร์ k มีแนวโน้มถูกประมาณสูงเกินจริงเมื่อข้อมูลมีจำนวนน้อย ขณะที่ shock effect สามารถประมาณได้ใกล้เคียงค่าจริงมากขึ้นเมื่อข้อมูลเพิ่มขึ้น การประเมินความแม่นยำ ของการทำนายเวลาเกิดเหตุการณ์ถัดไปใช้เปอร์เซ็นต์ไทล์ (P5–P95) และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) พบว่า วิธี องค์ประกอบไม่มีความสัมพันธ์และทราบพารามิเตอร์ขนาด ให้ผลดีที่สุดเมื่อ shock ต่ำ (1.00–1.01) โดยเฉพาะเมื่อข้อมูลจำกัด ส่วนวิธีองค์ประกอบมีความสัมพันธ์และทราบพารามิเตอร์ขนาด เหมาะสมกว่าเมื่อ shock สูง (1.02–1.03) และข้อมูลมาก นอกจากนี้ ทุกวิธีมีแนวโน้มการกระจายเบ้ขวา โดยเฉพาะวิธีที่ไม่ทราบค่าพารามิเตอร์ขนาดซึ่งเบ้รุนแรงกว่าวิธีอื่น ในขณะที่วิธี องค์ประกอบไม่มีความสัมพันธ์และทราบพารามิเตอร์ขนาด ให้การกระจายแคบและเบ้น้อยที่สุด สะท้อนความเสถียรและความต้านทาน ต่อ outlier

Effect Of Data Visualization On Users' Running Performance On Treadmill, Thanaphon Amattayakul

Chulalongkorn University Theses and Dissertations (Chula ETD)

This study investigates the effect of real-time data visualization on user performance and experience during treadmill running. Traditional treadmill displays usually present information in plain text, which may limit user engagement and motivation. To address this, the study introduced redesigned displays using data visualization techniques aligned with human perception, such as line graphs and progress bars, to make performance feedback more meaningful and easier to understand. The experiment compared three display conditions: a traditional treadmill display and two improved designs. A within-subjects design was used with 18 participants. Performance metrics such as time to exhaustion, heart rate, distance covered, and …

Enhanced Realism In Virtual Try-On Tasks Using Diffusion Methods, Saris Kiattithapanayong

Chulalongkorn University Theses and Dissertations (Chula ETD)

Virtual try-on technology is revolutionizing online retail by enabling customers to visualize garments on their bodies before purchasing. Traditional methods, often based on Generative Adversarial Networks (GANs), face challenges such as misalignment and visual artifacts, especially in complex poses. We present a virtual try-on framework leveraging diffusion models to enhance realism, accuracy, and garment detail preservation. Our approach integrates Vector Quantized Variational Autoencoders (VQ-VAEs) for precise feature matching within a diffusion U-Net architecture. By adopting image-based conditioning with the CLIP image encoder, our system utilizes visual features directly from clothing images for more faithful garment representations. Additionally, an Additional Feature …

ประสิทธิภาพการพยากรณ์ของการวิเคราะห์เชิงฟังก์ชันและการเรียนรู้เชิงลึก, บุณฑริกา พรหมสถิตย์

Chulalongkorn University Theses and Dissertations (Chula ETD)

การวิจัยนี้เปรียบเทียบประสิทธิภาพการพยากรณ์ของตัวแบบ Functional Principal Component Regression (FPCR) กับตัวแบบการเรียนรู้เชิงลึก (Recursive Neural Network: RNN, Long Short-term Memory: LSTM, Gated Recurrent Unit: GRU) ภายใต้สถานการณ์ที่มีความผันผวนแตกต่างกัน โดยใช้ชุดข้อมูลที่มีความผันผวนต่ำ (อุณหภูมิเฉลี่ยรายวัน), ปานกลาง (ปริมาณ PM 2.5 รายชั่วโมง) และสูง (อัตราการแลกเปลี่ยน Bitcoin รายนาที) ศึกษาการพยากรณ์ระยะสั้น ระยะกลาง และระยะยาว โดยใช้ตัวชี้วัด Mean Squared Error (MSE) และ Mean Integrated Squared Error (MISE) ผลการศึกษาพบว่า สำหรับข้อมูลที่มีความผันผวนต่ำ FPCR ให้ผลลัพธ์ที่แม่นยำกว่าตัวแบบการเรียนรู้เชิงลึก โดยเฉพาะในการพยากรณ์ระยะกลางและระยะยาว ในทางกลับกัน สำหรับข้อมูลที่มีความผันผวนสูง FPCR เหนือกว่าการเรียนรู้เชิงลึกเฉพาะการพยากรณ์ระยะกลางเท่านั้น สำหรับข้อมูลที่มีความผันผวนปานกลางและสูง ขนาดของชุดข้อมูลฝึกไม่มีผลกระทบอย่างชัดเจนต่อประสิทธิภาพของตัวแบบทั้งสอง อย่างไรก็ตาม ในกรณีของข้อมูลที่มีความผันผวนต่ำ เมื่อมีชุดข้อมูลขนาดใหญ่ ตัวแบบการเรียนรู้เชิงลึกให้ผลลัพธ์ที่แม่นยำกว่า FPCR ในขณะที่ FPCR มีความแม่นยำสูงกว่าหากใช้ข้อมูลจำนวนน้อยและทำการพยากรณ์ในระยะกลางถึงระยะยาว นอกจากนี้ ในการพยากรณ์ระยะสั้น FPCR มักให้ผลลัพธ์ที่ด้อยกว่าตัวแบบการเรียนรู้เชิงลึกในทุกกรณี

การเปรียบเทียบวิธีการใส่ค่าสูญหายสำหรับอนุกรมเวลาเชิงพหุ กรณีศึกษาดัชนีราคากลุ่มอุตสาหกรรมตลาดหลักทรัพย์แห่งประเทศไทย, พงษ์พล ยิ่งประทานพร

Chulalongkorn University Theses and Dissertations (Chula ETD)

การศึกษานี้มีวัตถุประสงค์เพื่อเปรียบเทียบวิธีการใส่ค่าสูญหายสำหรับอนุกรมเวลาเชิงพหุ และประเมินผลเพื่อเลือกวิธีการใส่ค่าสูญหายที่เหมาะสมที่สุดสำหรับอนุกรมเวลาเชิงพหุ โดยใช้ข้อมูลทุติยภูมิดัชนีราคากลุ่มอุตสาหกรรมของตลาดหลักทรัพย์แห่งประเทศไทย 8 กลุ่มอุตสาหกรรม จากฐานข้อมูล SETSMART ตั้งแต่วันที่ 1 มกราคม พ.ศ. 2547 ถึง 1 มกราคม พ.ศ. 2567 รวมทั้งสิ้น 4877 วัน ซึ่งได้มีการกำหนดรูปแบบการสูญหายออกเป็น 3 รูปแบบ ได้แก่ การสูญหายรูปแบบสุ่ม การสูญหายรูปแบบช่วงตามลำดับ และการสูญหายรูปแบบบล็อก และกำหนดสัดส่วนการสูญหายของข้อมูลที่ร้อยละ 5 10 20 30 40 และ 50 ตามลำดับ โดยจำแนกวิธีการใส่ค่าสูญหายออกเป็น 3 กลุ่ม ได้แก่ การใส่ค่าสูญหายด้วยวิธีการเชิงสถิติ ประกอบไปด้วย ค่าเฉลี่ย ค่ามัธยฐาน ข้อมูลสุดท้ายก่อนการสูญหาย (LOCF) ข้อมูลล่าสุดหลังการสูญหาย (NOCB) และการประมาณค่าช่วงเส้นตรง (Linear Interpolation) การใส่ค่าสูญหายด้วยวิธีการเรียนรู้ของเครื่อง ประกอบไปด้วย ค่าคาดหวังสูงที่สุด (EM) การใส่ค่าสูญหายด้วยการทดแทนแบบพหุคูณด้วยสมการลูกโซ่ (MICE) เพื่อนบ้านใกล้เคียงที่สุด (KNN) และป่าสุ่ม (Random Forest) และการใส่ค่าสูญหายด้วยวิธีการเรียนรู้เชิงลึก ประกอบไปด้วย GP-VAE USGAN และ SAITS นอกจากนี้ผู้วิจัยใช้ค่ารากที่สองของค่าความคลาดเคลื่อนกำลังสองโดยเฉลี่ย (RMSE) ค่าความคลาดเคลื่อนสัมบูรณ์โดยเฉลี่ย (MAE) และค่าร้อยละความคลาดเคลื่อนสัมบูรณ์โดยเฉลี่ย (MAPE) ในการวัดประสิทธิภาพการใส่ค่าสูญหาย ผลการศึกษาพบว่าที่รูปแบบการสูญหายทั้ง 3 รูปแบบ และสัดส่วนการสูญหายที่น้อยกว่าร้อยละ 50 การใสค่าสูญหายด้วยการประมาณค่าช่วงเส้นตรง (Linear Interpolation) มีประสิทธิภาพสูงที่สุด ในขณะที่สัดส่วนการสูญหายร้อยละ 50 ของรูปแบบการสูญหายทั้ง 3 รูปแบบ การใส่ค่าสูญหายด้วยวิธีป่าสุ่ม (Random Forest) มีประสิทธิภาพสูงที่สุด

ประสิทธิภาพของแบบจำลองแบบผสมของการเรียนรู้เชิงลึกสำหรับการพยากรณ์ราคาหุ้น, กิตติคุณ ทัดประดิษฐ

Chulalongkorn University Theses and Dissertations (Chula ETD)

งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์และเปรียบเทียบประสิทธิภาพและระยะเวลาที่ใช้ของแบบจำลองการเรียนรู้เชิงลึกแบบผสม (Hybrid Deep Learning Models) ได้แก่ RNN, LSTM และ GRU ในรูปแบบการใช้โครงสร้างแบบผสม (Stacked layer) และเครือข่ายประสาทเทียมแบบซ้อนกัน (Cascaded neural network) ในการพยากรณ์ราคาปิดหุ้น รวมถึงศึกษาผลกระทบของการสลับลำดับของแบบจำลองภายใน Hybrid model เพื่อพิจารณาความแตกต่างของประสิทธิภาพการพยากรณ์ ทั้งในระยะสั้น 7 วัน และ ระยะยาว 30 วัน โดยมีการใช้ข้อมูลราคาหุ้นทั้งหมด 5 อุตสาหกรรม เลือกกลุ่มอุตสาหกรรมละ 3 หุ้นตามระดับความผันผวนของราคาหุ้นเมื่อเทียบกับตลาด (Beta) รวมทั้งหมด 15 ชุดข้อมูล ผลการศึกษาพบว่า ในภาพรวมการพยากรณ์ระยะสั้น 7 วันและระยะยาว 30 วัน การสร้างแบบจำลองผสมด้วยวิธี Cascaded neural network มีประสิทธิภาพที่ไม่แตกต่างกับวิธี Stacked layers อย่างมีนัยสำคัญ แต่ถ้าหากพิจารณาด้วยระยะเวลาที่ใช้ในการสร้างแบบจำลองจะพบว่า การสร้างแบบจำลองผสมด้วยวิธี Stacked layers ใช้เวลาสร้างแบบจำลองน้อยกว่าวิธี Cascaded neural network อย่างมีนัยสำคัญ ซึ่งจะช่วยประหยัดทรัพยากรในการสร้างแบบจำลองในการพยากรณ์เป็นอย่างมาก นอกจากนี้การสลับลำดับของแบบจำลองที่ใช้ในการผสมแบบจำลอง ด้วยวิธี Cascaded neural network และ Stacked layers ในการพยากรณ์ระยะสั้น 7 วันและระยะยาว 30 วัน ไม่ส่งผลต่อประสิทธิภาพของ Hybrid Deep Learning Models อย่างมีนัยสำคัญ จึงสามารถสรุปได้ว่าการสร้าง Hybrid Deep Learning Models ด้วยวิธี Stacked layers ให้ประสิทธิภาพและความคุ้มค่าที่มากกว่าการผสมด้วยวิธี Cascaded neural network ทั้งในระยะสั้นและระยะยาว