Cilj analize je istražiti utjecaj odabira metrike za vrednovanje klasifikatora na financijsku uspješnost sustava trgovanja temeljenih na modelima strojnog učenja za burzovne indekse iz zemalja CEE i ...SEE regija. Tehničkim indikatorima se koriste kao značajke za odabrane algoritme strojnog učenja pri predviđanju smjera promjena vrijednosti indeksa, tj. klasificiranje dana trgovanja u dvije klase. Istraživanje je pokazalo da odabir metrike za vrednovanje klasifikatora nema veliki utjecaj na financijsku uspješnost takvog sustava, no ipak su najveći prosječni prinosi po transakciji postignuti maksimizacijom točnosti. Nadalje, algoritam slučajne šume i naivni Bayesov klasifikator dali su najveće prosječne prinose korištenjem točnosti, dok su stroj potpornih vektora i algoritam k najbližih susjeda najveće prosječne prinose postigli pri korištenju površine ispod krivulje operativnih karakteristika. Utvrđeno je da očekivano veliki utjecaj na financijsku uspješnost ima odabir algoritma za strojno učenje te da algoritam slučajne šume daje najbolje rezultate na ovim podacima.
Gregula (Puffinus yelkouan) je endemska vrsta Sredozemnog i Crnog mora koja se nalazi na IUCN crvenom popisu u kategoriji ranjivih vrsta. Informacije o rasprostranjenosti ove vrste i staništima u ...istočnom Sredozemnom moru su oskudne, a samo se nekoliko studija temeljilo na izravnim vizualnim opažanjima na otvorenom moru. Ovdje donosimo informacije o 1) pojavi gregule na 3000 km2 istraživanog područja ispred obale regije Veneto u Italiji, u sjeverozapadnom Jadranskom moru, temeljem vizualnih opažanja provedenih s malih brodova između travnja i listopada 2018. i 2022. (napor: 169 dana, 23 836 km) i 2) geografskim, batimetrijskim i oceanografskim varijablama koje vjerojatno utječu na distribuciju ove vrste na otvorenom moru. Gregule (238 opažanja, 916 jedinki) su uočene na morskom području gdje se dubine kreću od 9 do 33 m, između 2 i 24 km od obale. U pojedinačnim opažanjima izbrojeno je između jedne i 100 jedinki, a u 95% slučajeva manje od 10 jedinki. Primjenom EBM (Explainable Boosting Machine) modela, tehnike strojnog učenja zasnovane na generaliziranim aditivnim modelima, odabran je klorofil a kao najvažnija varijabla za objašnjenje pojave vrste, nakon čega slijedi udaljenost od obale i dubina. Model je ukazao na veću pojavu vrste u vodama s koncentracijom klorofila a manjom od ~2,3 mg/m3, udaljenijim od ~15 km od obale i dubljim od ~22 m. Učinci SST-a, slanosti i dana u godini bili su manje jasni. Ova studija daje uvid u rasprostranjenost gregule na otvorenom moru, u jednom od Sredozemnih područja koja su najpodložnija kumulativnim prijetnjama ljudskih aktivnosti.
Sjevero-zapadni dio sjevernog Jadrana (SJ) pokazuje eutrofne do mezotrofne karaktaristike sa čestim pojavama cvjetanja algi te prilično nepredvidljivim cvjetanjima mora. Kako bi se doprinjelo
...razumijevanju cvjetanja mora u SJ upotrijebljen je algoritam strojnog učenja za izradu regresijskih stabala na skupu podataka koji sadrži fizičke, kemijske i biološke parametre mjerene na šest postaja
na profile od delte rijeke Po (Italija) do Rovinja (Hrvatska). Upotrebom strojnog učenja izrađen je model koji opisuje vezu između omjera TIN/PO4 koji se smatra neophodnim, a ponekad i glavnim okidačem za pojave cvjetanja mora te ekoloških uvjeta u SJ. Dobiveni model za omjer TIN/PO4 potvrđuje pretpostavku da su pojave cvjetanja mora povezane sa danim omjerom, tj. pojave cvjetanja mora se podudaraju sa visokim vrijednostima tog omjera. Ovo otkriće ukazuje da se na određenim razinama ograničenja fosforom (vidljivo iz omjera TIN/PO4) pojava frekvencije cvjetanja mora povećava. Model također otkriva da su salinitet i temperatura odgovorni za promjene omjera TIN/PO4 te daje uvid u njihove granične vrijednosti koje dovode do visokih vrijednosti ovog omjera, a koji je dalje povezan sa pojavom cvjetanja mora.
Ovaj rad predstavlja metodu klasifikacije šumom narušenih nestacionarnih signala u vremensko-frekvencijskoj domeni korištenjem umjetne inteligencije. Naime, signali u obliku vremenskih nizova ...transformirani su nakon predobrade u vremensko-frekvencijske prikaze (TFR) iz Cohenove klase, rezultirajući TFR slikama korištenim kao ulaz u algoritme strojnoga učenja. Korištene su tri suvremene metode dubokoga učenja u obliku 2D arhitektura konvolucijskih neuronskih mreža (CNN) (ResNet-101, Xception i EfficientNet). Metoda je demonstrirana na zahtjevnom problemu detekcije signala gravitacijskih valova (GW) u intenzivnom stvarnom i nestacionarnom šumu koji nema karakteristike ni Gaussovog ni bijelog šuma. Rezultati pokazuju izvrsne performanse klasifikacije predloženoga pristupa s obzirom na točnost klasifikacije, površinu ispod krivulje značajke djelovanja prijamnika (ROC AUC), odziv, preciznost, F1-mjeru i površinu ispod krivulje preciznost-odziv (PR AUC). Nova metoda nadmašuje osnovni model strojnoga učenja treniran na podatcima u obliku vremenskih nizova s obzirom na razmatrane metrike. Istraživanje pokazuje da se predložena tehnika može proširiti i na različite druge primjene koje uključuju nestacionarne podatke u intenzivnom šumu.
