Procesna analitička tehnologija (PAT) sve se češće primjenjuje u procesu kristalizacije za kontinuirano praćenje neke od ključnih procesnih veličina i značajki kvalitete proizvoda. Vrlo bitne ...procesne varijable za kristalizaciju hlađenjem su temperatura i koncentracija otopine. Kontinuirano mjerenje koncentracije omogućeno je naprednim in situ spektroskopskim instrumentima. U takve metode spada i prigušena ukupna reflektancija Fourier transformacijske infracrvene spektroskopije (engl. Attenuated Total Reflectance Fourier Transform Infrared Spectroscopy, ATR-FTIR), primijenjena u ovom istraživanju. U ovom radu razvijeni su kemometrijski modeli za kontinuiranu procjenu koncentracije otopine u stvarnom vremenu metodama strojnog učenja. Cilj ovog rada bio je razviti i ispitati modele parcijalne regresije metodom najmanjih kvadrata (engl. Partial Least Squares Regression, PLSR) i modele neuronskih mreža (engl. Neural Networks, NN) za modeliranje ovisnosti koncentracije djelatne tvari, ksilometazolin hidroklorid, u n-butanolu, o temperaturi i spektralnim podatcima dobivenim mjerenjima ATR-FTIR spektrometrom. U radu je provedena predobrada prikupljenih podataka tehnikom MSC (engl. Multiplicative Scatter Correction) te je provedeno skaliranje podataka prema normalizacijama Min-Max i Z-score. Analiziran je broj neurona u prvom i drugom skrivenom sloju, broj skrivenih slojeva, vrsta primijenjenog algoritma učenja (ADAM, NADAM, RMSprop) kao i utjecaj vrste prijenosne funkcije (ReLU, sigmoid, tanh) na kvalitetu razvijenih neuronskih mreža. Razvijeni modeli na sva četiri skupa podataka dali su iznimno dobre rezultate s obzirom na iznose koeficijenta determinacije i srednje kvadratne pogreške. Modelom neuronske mreže dobiveni su koeficijenti determinacije u rasponu vrijednosti od 0,9979 do 0,9989, dok je srednja kvadratna pogreška od 0,0020 do 0,0011. PLSR modelom dobiveni su koeficijenti determinacije od 0,9990 do 0,9995, odnosno srednja kvadratna pogreška od 0,0009 do 0,0005. Dobiveni rezultati pokazali su da predobrada podataka i dodavanje drugoga skrivenog sloja neuronske mreže u ovoj studiji nisu imali velik utjecaj na konačne rezultate. Takav način praćenja i kontrole procesa rezultira efikasnijom proizvodnjom uz smanjenu vjerojatnost pogreške, što u konačnici farmaceutskoj industriji omogućuje brže plasiranje proizvoda na tržište.
U radu je prezentiran pregled literature u posljednjih pet godina o prediktivnim metodama analitika učenja i rudarenja obrazovnih podataka temeljenim na algoritmima strojnog učenja. Primarni kriterij ...odabira za analizirane radove bio je identificirati one koji koriste algoritme strojnog učenja za predviđanje ishoda u područjima analitika učenja i rudarenja obrazovnih podataka u kontekstu visokog obrazovanja. Važno je naglasiti da ne postoje univerzalne smjernice ili protokoli za predviđanje ishoda u obrazovanju, uključujući i visoko obrazovanje. Metodologija koja se koristi za takva predviđanja prvenstveno ovisi o ciljanoj varijabli i vrsti korištenih ulaznih podataka. U detaljnu analizu uključeno je 25 radova iz citatnih baza Web of Science CC i Scopus. Pomoću šest istraživačkih pitanja ispitano je što se želi predvidjeti u visokom obrazovanju, koji su ulazni podaci korišteni, koliko je algoritama strojnog učenja korišteno u pojedinom istraživanju i koji su bili najučinkovitiji. Također se ispitalo koje su druge tehnike prediktivnog modeliranja navedene te navodi li se programsko okruženje pomoću kojeg je predikcija izvršena.
This paper presents a review of the literature from the last five years on predictive methods of Learning Analytics and Educational Data Mining based on Machine Learning algorithms. The primary selection criterion for the papers analyzed was to identify those that use Machine Learning algorithms to predict outcomes in the areas of Learning Analytics and Educational Data Mining in the context of higher education. It is important to highlight that there are no universal guidelines or protocols for predicting outcomes in education, including higher education. The methodology used for such predictions depends primarily on the target variable and the type of input data used. Twenty-five papers from the Web of Science CC and Scopus citation databases were included in the detailed analysis. Six research questions were used to examine what is being predicted in higher education, what input data were used, how many Machine Learning algorithms were used in the research, and which were most effective. In addition, the research looked at what other predictive modeling techniques were mentioned and whether the programming environment used for prediction was mentioned.
Umjetna inteligencija (AI) i strojno učenje (ML ) sve su prisutniji u poljoprivrednom sektoru pa tako i u proizvodnji krmnih smjesa, gdje omogućuju proizvođačima optimizaciju procesa proizvodnje, ...smanjenje troškova i poboljšanje učinkovitosti. Implementacija nelinearnih modela, poput umjetnih neuronskih mreža (UNM ), u ovoj domeni omogućava prepoznavanje uzoraka i rješavanje kompleksnih problema povezanih s krmnim smjesama. Primjena UNM u tehnologiji proizvodnje krmnih smjesa, uz ispravno odabranu strukturu, algoritme učenja i prijenosne funkcije, omogućava naprednu optimizaciju procesa, uključujući upravljanje proizvodnim postrojenjem, skladištenje i transport sirovina. Ovi modeli pružaju nove mogućnosti za poboljšanje kvalitete krajnjeg proizvoda, uzimajući u obzir sve faktore koji na nju utječu. Kroz ovu prilagodbu, AI pruža alate za brzo i učinkovito donošenje odluka, što rezultira poboljšanom automatizacijom i učinkovitosti u proizvodnji krmnih smjesa.
Artificial intelligence (AI) and machine learning (ML) are increasingly present in agriculture, particularly in the production of feed mixtures, where they enable producers to optimize production processes, reduce costs, and improve efficiency. The implementation of nonlinear models, such as artificial neural networks (UNM), in this field enables pattern recognition and the solution of complex problems related to feed mixtures. The application of UNM in the technology of feed mixture production, with a properly chosen structure, learning algorithms and transfer functions, allows advanced optimization of the process, including the management of the production plant, storage and transportation of materials. These models offer new opportunities to improve the quality of the final product, taking into account all the factors that influence it. Through this customization, AI provides tools for fast and efficient decision making, leading to improved automation and efficiency in compound feed production.
U radu se razmatra pitanje jesu li na umjetnoj inteligenciji utemeljeni dijagnostički sustavi (AIBDS) prijetnja autonomiji pacijenata kao jednom od središnjih načela biomedicinske etike. U prvom ...dijelu rada objašnjava se što su AIBDS i kako funkcioniraju, s naglaskom na tehnologiji strojnog učenja i na njegovu svojstvu netransparentnosti. U drugom dijelu rada prikazuje se više paradigmatskih stavova o AIBDS-u kao prijetnji autonomiji pacijenata, uz osvrt na standardnu analizu prema kojoj ta autonomija uključuje (minimalno) tri komponente: intencionalnost, slobodu od ograničenjâ i razumijevanje. U trećem se dijelu rada argumente pro et contra teze o AIBDS-u kao prijetnji autonomiji razmatra iz perspektive pacijenata, dok ih se u četvrtom dijelu rada razmatra iz perspektive liječnika. U radu se pokazuje koliko rasprava o ovom pitanju može biti složena i koja oruđa argumentacije suprotstavljenim stranama pritom mogu stajati na raspolaganju.
The paper considers the question whether artificial intelligence-based diagnostic systems (AIBDS) pose a threat to patient autonomy as one of the central principles of biomedical ethics. The first part of the paper explains what AIBDS are and how they work, with an emphasis on machine learning technology and its property of non-transparency. The second part of the paper presents several paradigmatic views on AIBDS as a threat to patient autonomy, with reference to the standard analysis according to which this autonomy includes (at least) three components: intentionality, freedom from constraints and understanding. In the third part of the paper, the arguments pro et contra of the thesis about AIBDS as a threat to autonomy are considered from the perspective of patients, while in the fourth part of the paper they are considered from the perspective of physicians. The paper shows how complex the discussion of these issues can be and what argumentative tools can be made available to opposing parties.
Umetna inteligenca predstavlja zaradi možnosti podpore pri odkrivanju in spremljanju bolezni ter napovedovanju izida novi mejnik v sodobni medicinski tehnologiji. Njena klinična uporabnost se je v ...zadnjih letih dramatično povečala predvsem na račun uvedbe konvolucijskih nevronskih mrež v modeliranje računalniško podprtih sistemov umetne inteligence. Celotna oftalmologija, zlasti pa področje bolezni mrežnice, pri kateri diagnosticiranje sloni na slikovnih preiskavah, se vodi izrazito tehnološko. Zato je edinstvena stroka pri vpeljavi novosti s področja umetne inteligence v klinično uporabo. Kljub temu pa je integracija umetne inteligence v presejanje, diagnosticiranje in zdravljenje oftalmoloških bolezni predvsem zaradi prevelikega posploševanja pri zaznavanju sprememb in slabih zmožnosti sočasnega prepoznavanja različnih kliničnih entitet zaenkrat še omejena. V članku se osredinjamo na nedavno predstavljene algoritme umetne inteligence, ki so prvenstveno namenjeni odkrivanju najpogostejših bolezni mrežnice in so, ali se še bodo, z morebitnimi izboljšavami, pridobljeno višjo občutljivostjo in specifičnostjo, vendarle uvedli v klinično prakso.
Strojno učenje je predmet istraživanja brojnih znanstvenih i stručnih projekata, i važan sastavni dio sustava koji se koriste u medicini, bankarstvu, računalnoj sigurnosti, komunikaciji i brojnim ...drugim domenama. Jedno je od najaktivnijih područja istraživanja, s konstantnim napretkom i razvojem novih algoritama i pristupa, te poboljšanjem postojećih metoda. Značajan utjecaj na performanse modela strojnog učenja ima skup podataka nad kojim je napravljeno treniranje, odnosno kvaliteta podataka, ravnomjerna razdioba vrijednosti i veličina skupa. To predstavlja potencijalan problem kod metoda strojnog učenja koje zahtijevaju prethodno označene podatke, jer prikupljanje podataka može biti iznimno složeno, skupo i vremenski zahtjevno. U tom slučaju klasičan model strojnog učenja vrlo vjerojatno neće imati dobre performanse. Jedan od pristupa rješavanja ovog problema je primjena učenja prijenosom, u kojem model koristi skup podataka ne samo iz promatrane domene, već i iz druge, idealno srodne domene. U radu su simulirani uvjeti manje raspoloživosti skupa podataka, na kojem su analizirane performanse tri modela temeljena na neuronskim mrežama, od kojih se jedan temelji na prethodno istreniranom modelu. Opisan je postupak kreiranja skupova za treniranje i prezentirani su rezultati analize navedena tri modela s različitim veličinama skupova.
Machine learning is the subject of numerous scientific and professional research projects and is an important component of systems used in medicine, banking, computer security, communications and numerous other fields. It is one of the most active areas of research with constant progress and development of new algorithms and approaches as well as improvement of existing methods. The performance of the machine learning model is significantly affected by the dataset used for training, i.e. the quality of the data, the uniform distribution of values and the size of the set. This is a potential problem with machine learning methods that require pre-labelled data, as data acquisition can be extremely complex, expensive and time-consuming. In this case, the classical machine learning model will most likely not perform well. One approach to solve this problem is to apply transfer learning, where the model uses a dataset not only from the target domain but also from other, and ideally related domains. In the work, conditions with lower availability of datasets were simulated, under which the performance of three models was analyzed, one of which was based on a previously trained model. The process of creating training sets is described, and the results of analyzing the three models with different sized sets are presented.
Uređaji za pročišćavanje otpadnih voda (UPOV) s aktivnim muljem su dinamični i složeni sustavi čije se upravljanje može poboljšati primjenom različitih pristupa modeliranju i predviđanja njihova ...rada. U ovom radu je korišten alat strojnog učenja (modelska stabla) za izradu modela koncentracije kemijske potrošnje kisika (KPK) na izlazu pročišćene otpadne vode iz UPOV-a s aktivnim muljem. Za modeliranje su korišteni mjereni podaci na ulazu i izlazu otpadne vode iz UPOV-a. U izradi modela koncentracije KPK su korišteni programski alat Weka i algoritam za izradu modelskih stabala M5P. Model dobiven alatom strojnog učenja ima veliku opisnu moć i koeficijent korelacije te se zato može primijeniti u modeliranju koncentracije KPK. Time se u ovom radu ukazuje i na prednosti primjene alata strojnog učenja u izradi modela UPOV-a.
Morfološka analiza je predpogoj za številne naloge pri računalniški obdelavi jezika. Pri oblikoslovno bogatih jezikih, kot je hrvaščina, temelji morfološka analiza navadno na morfološkem leksikonu, ...ki vsebuje seznam lem in njihove oblikoslovne paradigme. Vendar pa mora uporaben morfološki analizator znati ustrezno razčleniti tudi besede, ki jih ni v leksikonu. V prispevku se lotevamo avtomatskega prepoznavanja ustrezne oblikoslovne paradigme pri še neznanih hrvaških besedah. Problem obravnavamo z nadzorovanim strojnim učenjem, kjer na osnovi vrste besednih in korpusnih značilk klasifikator naučimo predvidevati, ali je določen par lema–paradigma ustrezen. Pare lema–paradigma smo generirali s pomočjo ročno izdelane oblikoslovne gramatike. Namen prispevka je analizirati postopke strojnega učenja pri obravnavi tega problema: testirali smo bogat nabor značilk in ocenili natančnost klasifikacije z uporabo različnih podmnožic značilk. Pokažemo, da je zadovoljivo natančnost klasifikacije (92 %) mogoče doseči z metodo SVM in z uporabo kombinacije besednih in korpusnih značilk. Dosežena natančnost za posamezno besedo v našem modelu je 70 %, vrednost F1 je 53 %, kar je bistveno boljše kot rezultat, ki upošteva samo pogostost pojavitev. Članek zaključimo s smernicami za nadaljnje delo.
PDF
