diplomsko delo
Aleksander Piciga (Avtor), Matjaž Kukar (Mentor)

Povzetek

V diplomskem delu obravnavamo problem napovedovanja zdravstvenega absentizma zaposlenih v pomembnejšem slovenskem podjetju. Problem zdravstvenega absentizma je izjemno kompleksne narave in nanj vpliva mnogo različnih, tudi osebnih dejavnikov. Za podrobno analizo smo podatke najprej ustrezno preoblikovali. Nabor podatkov smo nato obogatili z novimi atributi, ki temeljijo na analizi in domenskem znanju. V delo smo vključevali tudi domensko znanje v sodelovanju s podjetjem. Preverili smo kakovost obogatenega nabora podatkov in ga uporabili v metodah strojnega učenja. Več različnih modelov smo primerjali z osnovnim modelom, ki napoveduje lansko vrednost. Kot najuspešnejši model se izkaže GBRT, ki v zadnjem letu dosega MAE ∼ 0.045, RMSE ∼ 0.10 in R2 ∼ 0.40, kar statistično značilno presega rezultate osnovnega modela. Analizirali smo tudi pomembnost atributov v modelih. Ustvarili smo pregleden in poenoten nabor podatkov ter odkrili ključne atribute za napovedovanje absentizma. Iz izsledkov smo pripravili tudi smernice za nadaljnje raziskovanje tega kompleksnega problema.

Ključne besede

absentizem; podatkovna analiza; obogatitve podatkov; strojno učenje;analiza ključnih atributov;računalništvo;matematika;interdisciplinarni študij;univerzitetni študij;diplomske naloge;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [A. Piciga]
UDK: 004.85: 331.316(043.2)
COBISS: 208996611 Povezava se bo odprla v novem oknu
Št. ogledov: 78
Št. prenosov: 9
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Predicting Health-Related Absenteeism Using Machine Learning
Sekundarni povzetek: In our thesis, we address the prediction of health-related employee absenteeism at a key Slovenian company. The issue of health-related absenteeism is highly complex and influenced by many factors, including personal ones. For our analysis, we first transformed the data into a suitable format and then enriched it with new attributes based on our analysis and domain knowledge. Throughout our work, we incorporated domain knowledge in collaboration with the company. We assessed the quality of the final dataset and used it in machine learning methods, with the best-performing model being GBRT. We tested our models against the baseline model, which predicted the last year’s value. The GBRT model achieved an MAE of ∼0.045, an RMSE of ∼0.10, and an R² of ∼0.40 on the latest year’s data. These results are statistically significant and exceed the baseline model’s performance. We also analyzed the importance of attributes in our models. We created a more detailed dataset and identified key attributes for predicting absenteeism. Based on our findings, we developed a set of guidelines for the company’s future research into this complex phenomenon.
Sekundarne ključne besede: absenteeism;data analysis;data enrichment;machine learning;key attribute analysis;computer science;computer and information science;computer science and mathematics;interdisciplinary studies;diploma;Bolniški dopust;Strojno učenje;Računalništvo;Univerzitetna in visokošolska dela;
Vrsta dela (COBISS): Diplomsko delo/naloga
Študijski program: 1000407
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 1 spletni vir (1 datoteka PDF (60 str.))
ID: 25392598