Many years of electronic data processing have enabled the storage of a large amount of data that can be used today to improve educational processes through machine learning algorithms. Using data ...from the Moodle distance learning system, an artificial neural network model was created to predict the final outcome of students at the end of their studies based on their final grades of the first year of study. In three artificial neural network models, the power of this algorithm was demonstrated, where all models achieved a very low error, and the artificial neural network model achieved the best results with two hidden layers of nine neurons, whose absolute error was 0.1920, and the squared error 0.0562. The research shows that artificial neural networks are very effective in predicting the final outcome of students based on the grade from the first year of study and that such models have the potential to become an auxiliary tool and means of decision-making in educational institutions.
Višegodišnja elektronička obrada podataka omogućila je pohranu velike količine podataka koja se danas može iskoristiti za poboljšanje procesa u obrazovanju putem algoritama strojnog učenja. Koristeći se podacima iz sustava Moodle za učenje na daljinu, stvoren je model umjetne neuronske mreže s ciljem predviđanja konačnog ishoda studenta na kraju studija na temelju njegovih zaključnih ocjena prve godine studija. Kroz ukupno tri modela umjetne neuronske mreže pokazana je snaga ovog algoritma, gdje su svi modeli ostvarili vrlo nisku pogrešku, a najbolji rezultati postignuti su modelom umjetne neuronske mreže s dva skrivena sloja od devet neurona, čija je apsolutna greška iznosila 0,1920, a kvadratna pogreška 0,0562. Istraživanje pokazuje da su umjetne neuronske mreže vrlo učinkovite u predikciji konačnog ishoda studenata na temelju ocjena s prve godine studija te da takvi modeli imaju potencijal postati pomoćni alat i sredstvo donošenja odluka u obrazovnim institucijama.
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.
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.
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.