108495 research outputs found
Sort by
Masinõppel põhinev riskiskoorimine rahamuulade tuvastamiseks
No full textMoney laundering is a serious problem for the financial systems, as it helps criminals hide illegal funds and damages trust in banks. Money mules are individuals who transfer money on behalf of others, often unknowingly, and play a central role in these activities. Detecting money mules is a major challenge for financial institutions. Traditional detection methods rely on fixed rules that are not flexible enough to keep up with changing criminal tactics. This thesis explores the application of machine learning models for detecting money mules by assigning client-level risk scores based on transaction habits, product usage, and personal information. Multiple models were evaluated, with XGBoost demonstrating the highest area under the precision–recall curve (AUPRC) of 0.1314, indicating strong performance in this highly imbalanced setting. The model shows potential to detect over half of known money mules while maintaining a manageable false positive rate. These findings suggest that integrating machine learning into anti-money laundering systems can improve anti-money laundering efforts, helping banks prevent criminal activity, protect their customers and maintain their reputation.Rahapesu on tõsine probleem finantsüsteemides, kuna see aitab kurjategijatel varjata ebaseaduslikke summasid ja kahjustab pankade usaldusväärsust. Rahamuulad on isikud, kes tihti eneselegi teadmata kannavad raha teiste eest ja mängivad rahapesus keskset rolli. Rahamuulade tuvastamine on finantsasutustele suur väljakutse. Traditsioonilised tuvastamismeetodid tuginevad kindlatele reeglitele, mis ei ole piisavalt paindlikud, et kohaneda muutuvate kuritegelike taktikatega. Käesolev magistritöö uurib masinõppe mudelite rakendamist rahamuulade tuvastamiseks, määrates klientidele riskiskoori nende tehinguharjumuste, toodete kasutamise ja isikuandmete põhjal. Hinnati mitmeid mudeleid, millest parima tulemuse andis XGBoost, saavutades täpsuse-saagis kõvera aluse pindala (AUPRC) väärtuseks 0,1314. See on hea tulemus arvestades tasakaalustamata andmestikus. Mudel tuvastas üle poole teadaolevatest rahamuuladest, hoides samal ajal valepositiivsete määrad mõistlikul tasemel. Töö tulemused viitavad, et masinõppe integreerimine rahapesuvastastesse süsteemidesse võib aitada kaasa kuritegude ennetamisele, aidata pankadel kaitsta oma kliente ning säilitada usaldusväärsust
Keemiliste struktuuride selgitamine tuumamagnetresonantsspektrites närvivõrkude ja CAM meetoditega.
No full textThe given thesis investigates the application of visual explainability methods, specifically Grad-CAM and Grad-CAM++, for the identification of chemical substructures in two-dimensional NMR spectra using convolutional neural networks. A desktop application was developed to integrate these algorithms and analyse spectra from HMBC and HSQC experiments. The analysis revealed that chemical mixtures containing additional spectral components led to inconsistent and unreliable heatmaps. The study concludes that Grad-CAM and Grad-CAM++ combined with simple neural network architectures can highlight the pure compound spectra in most cases with varying accuracy, but are insufficient for reliably identifying fatty acid, indole, or steroid substructures in complex spectral mixtures.Käesolevas lõputöös uuriti visuaalsete närvivõrkude seletatavusmeetodite, eelkõige Grad-CAM ja Grad-CAM++ algoritmide, rakendatavust keemiliste alamstruktuuride tuvastamisel kahedimensionaalsetes tuumamagnetresonantsspektrites, kasutades konvolutsioonilisi närvivõrke. Töö käigus arendati rakendus, mis võimaldab neid algoritme kasutada HMBC ja HSQC spektrite analüüsimiseks eelnevalt treenitud närvivõrkudel. Analüüsi tulemused näitasid, et puhaste keemiliste elementide spektrite puhul on enamik juhtudel võimalik välja tuua alamstruktuuri asukoht spektripildil varieeruva täpsusega. Spektrite puhul, mis sisaldasid täiendavaid komponente lisaks närvivõrgu poolt klassifitseeritavatele elementidele, oli tulemuste usaldusväärsus ja täpsus varieeruv. Töös järeldati, et Grad-CAM ja Grad-CAM++ algoritmid koos lihtsakoeliste närvivõrguarhitektuuridega ei ole piisavad rasvhapete, indoolide ega steroidide alamstruktuuride usaldusväärseks tuvastamiseks keerulistes spektrisegudes
Öötöö mõju töötajate psühhoemtsionaalsele seisundile ja töömotivatsioonile
No full texthttps://www.ester.ee/record=b5765281*es
History Themed Web Game
No full textThe aim of this Bachelor’s thesis was to create a web game, where users have to guess the time and location of a given photograph. All of the images in this web game are from Estonia and have been gathered from museums or the Wikimedia database. The game was created for an educational purpose and is based on principles of gamification and good user experience. The web game was created using modern technologies. The thesis provides an overview of learning and teaching history, educational games, the design and creation of the game and results.Lõputöö eesmärk oli luua veebimäng, kus kasutajatel tuleb ära arvata etteantud foto pildistamise aeg ja asukoht. Kõik pildid on Eestis tehtud ja need pärinevad muuseumidest või Wikimedia andmebaasist. Mäng loodi hariduslikul eesmärgil ning selle loomisel lähtuti mängustamise põhimõtetest ning hea kasutajakogemuse suunistest. Mäng loodi kasutades kaasaegseid tehnoloogiaid. Töös antakse ülevaade ajaloo õppimisest, õppemängudest, töö kavandamise ja teostuse metoodikast ning tulemustest
Box Constructor – hallkastimise tööriist Godot mängumootorile
No full textGreyboxing is an important part of the prototyping phase, allowing developers to test and experiment with their ideas before investing time into creating a detailed level. This thesis creates an intuitive greyboxing solution for the Godot game engine, addressing the need for a simple and user-friendly tool. This tool allows users to create simple levels straight in the editor without relying on external tools. Box Constructor streamlines the process by enabling quick and efficient methods for adding and removing geometry. The testing results concluded with a usability score of over 80%. The thesis concludes with recommendations for future enhancements to improve usability and add more functionality.Hallkastimine (greyboxing) on oluline etapp prototüüpimise faasis mis võimaldab arendajatel testida ja katsetada oma ideid enne detailise taseme loomist. Käesoleva lõputöö raames luuakse intuitiivne hallkastimise tööriist Godot mängumootirile, pakkudes lihtsat ja kasutajasõbralikku lahendust. See tööriist võimaldab kasutajatel luua tasemeid otse Godoti mängumootoris ilma väliste tööriistateta. Tööriist pakub tõhusaid meetodeid geomeetria lisamiseks ja eemaldamiseks. Testimistulemused näitasid, et kasutatavuse tulemus on üle 80%. Lõpus tuuakse soovitusi tulevasteks täiustusteks, et parandada kasutajamugavust ja lisada funktsionaalsust
Assessment of digital leadership competencies in the context of start-ups
No full texthttps://www.ester.ee/record=b576377
FedCAPE: Mõistepõhine selgitamine privaatsust säilitavas hajusõppes
No full textTraditional machine learning pipelines are limited by their dependence on centralized data, making them unsuitable for privacy-sensitive domains and distributed real-world settings. Furthermore, these methods often lack concept-level interpretability and require labor-intensive manual annotation to identify and explain meaningful concepts in complex datasets. While recent automated approaches, such as [1] proposed by Ghorbani et al.,(NeurIPS 2019), have advanced the automation of concept discovery and explanation, they do not address the challenges of privacy preservation, data decentralization, or collaborative concept alignment across multiple participants. In this thesis, we propose Federated Concept Alignment for Privacy-Preserving Explanations (FedCAPE), a novel Framework designed to enable scalable, privacy-preserving, and fully decentralized concept discovery, alignment, and interpretability. FedCAPE leverages self-supervised learning (DINO) and the multimodal capabilities of OpenAI CLIP to automatically assign semantic meaning to image segments, thereby eliminating the need for manual annotation and introducing a semantic layer over the extracted features. Critically, FedCAPE employs federated K-means clustering to collaboratively align and refine discovered concepts across clients, ensuring that shared conceptual knowledge emerges without the need to exchange raw data. Through this federated approach, FedCAPE achieves end-to-end interpretability, improved concept alignment, and enhanced transparency of model predictions—surpassing both traditional and state-of-the-art automated approaches in terms of privacy preservation, scalability, and explainability. Experimental evaluation across multiple distributed clients demonstrated strong cross-client semantic consistency, with human evaluators preferring FedCAPE clusters over random baselines in 80–100% of cases. Quantitatively, FedCAPE achieved high TCAV scores for salient concepts, in some cases exceeding the centralized baseline while avoiding over-clustering and improving cluster purity. These results highlight FedCAPE’s potential to bridge the gap between interpretable AI and privacy-preserving machine learning in distributed environments.Traditsioonilised masinõppe töövood on piiratud oma sõltuvusega tsentraliseeritud andmetest, mis muudab need sobimatuks privaatsustundlikes valdkondades ja jaotatud reaalsetes keskkondades. Lisaks puudub neil meetoditel sageli kontseptsioonitasandi interpreteeritavus ning nad nõuavad töömahukat käsitsi märgistamist, et tuvastada ja selgitada keerukates andmestikes tähenduslikke kontseptsioone. Kuigi hiljutised automaatsed lähenemised, nagu [1] (Ghorbani jt., NeurIPS 2019), on edendanud kontseptsioonide avastamise ja selgitamise automatiseerimist, ei käsitle need privaatsuse säilitamise, andmete detsentraliseerimise ega koostööl põhineva kontseptsioonide joondamise väljakutseid mitme osaleja vahel. Käesolevas töös esitame Federated Concept Alignment for Privacy-Preserving Explanations (FedCAPE) — uue raamistiku, mis on loodud võimaldama mastaapset, privaatsust säilitavat ja täielikult detsentraliseeritud kontseptsioonide avastamist, joondamist ja interpreteeritavust. FedCAPE kasutab isejuhitud õppimist (DINO) ja OpenAI CLIP-i multimodaalseid võimalusi, et automaatselt määrata pildisegmentidele semantiline tähendus, kaotades seeläbi vajaduse käsitsi märgistamise järele ning lisades eraldatud tunnustele semantilise kihi. Oluliselt rakendab FedCAPE föderatiivset K-means klasterdamist, et ühiselt joondada ja täiustada avastatud kontseptsioone klientide vahel, tagades, et jagatud kontseptuaalne teadmine tekib ilma toorandmeid vahetamata. Selle föderaalse lähenemise kaudu saavutab FedCAPE otsast lõpuni interpreteeritavuse, parema kontseptsioonide joondamise ja suurema läbipaistvuse mudeli ennustustes — ületades nii traditsioonilisi kui ka tipptasemel automaatseid lähenemisi privaatsuse säilitamise, mastaapsuse ja seletatavuse osas. Eksperimentaalne hindamine mitme jaotatud kliendi puhul näitas tugevat semantilist järjepidevust klientide vahel, kusjuures inimhindajad eelistasid FedCAPE klastri tulemusi juhuslikele võrdlusnäidetele 80–100% juhtudest. Kvantitatiivselt saavutas FedCAPE kõrgeid TCAV-skoore silmapaistvate kontseptsioonide puhul, ületades mõnel juhul tsentraliseeritud baastaseme, vältides samas üleklaasterdamist ja parandades klastrite puhtust Need tulemused toovad esile FedCAPE potentsiaali olla sillaks interpreteeritava tehisintellekti ja privaatsust säilitava masinõppe vahel jaotatud keskkondades
Avalike rohealade ligipääsetavuse arendamine erivajadustega külastajatele Pärnu Rannapargi näitel
No full texthttps://www.ester.ee/record=b5765427*es
