Strojno učenje te posebno pripadajuće potpodručje poznato kao duboko učenje pokreću nove disruptivne tehnologije i nedavna postignuća u različitim industrijama. Ovaj rad koristi do određene razine ...istu tehnologiju pri izradi mobilne aplikacije za edukacijske svrhe, a koja omogućuje identifikaciju nepoznatih zastava pomoću umjetne inteligencije. Kako bi aplikacija bila funkcionalna i efikasna, potrebno je bilo kreirati vlastiti podatkovni skup i obraditi ga na razne načine kako bi se osigurala zbirka podataka koja odražava podatke iz stvarnoga svijeta. Ova zbirka bi se potom koristila kao podatkovni ulaz za razvijanje modela, koji se razvija unutar okruženja TensorFlow. Nakon što je model razvijen, implementiran je kao dio mobilne aplikacije programirane Flutterom. Funkcionalnost mobilne aplikacije i točnost modela ispitana je na brojci od preko 100 novih slika koje model prethodno nije vidio niti je nad njima bio treniran. Rezultat ovog ispitivanja mogao bi se smatrati odrazom okvirne spremnosti i primjenjivosti ove aplikacije u stvarnom svijetu.
Ovaj rad je posvećen modeliranju ekstremnih TEC vrijednosti (Total Electron Content – ukupan sadržaj elektrona) na području Srbije. Pod ekstremnim TEC vrijednostima razmatrali smo one koje se ...javljaju u toku maksimuma Sunčeve aktivnosti koji se periodično ponavljaju svakih 11 godina i to za odabrane 2013., 2014. i 2015. godinu. U navedenim godinama razmatrane su srednje vrijednosti TEC-a tijekom ljetnje i jesenske ravnodnevnice i u dnevnom razdoblju 10–12 UT (univerzalno vrijeme). Navedene srednje vrijednosti TEC određivane su na osnovu GNSS opažanja (globalni navigacijski satelitski Sustavi) tri stanice trajno smještene na teritoriju Srbije. Podaci su u okviru ovih istraživanja tretirani kao ‘uvjetno točne’ vrijednosti. Osnovni cilj straživanja bio je ispitivanje mogućnosti korištenja dviju metoda strojnog učenja: neuronskih mreže i metode podržavajućih (potpornih) vektora. U cilju naglašavanja kvalitete primijenjenih tehnika svi rezultati su adekvatno uspoređivani sa TEC vrijednostima određenim Međunarodnim Referentnim Ionosfernim globalnim modelom (IRI). Pored navedenog posebno je analizirana kvaliteta metoda kroz vremenski i prostorno-vremenski pristup.
Poznavanje prostorne raspodjele poljoprivrednih usjeva i plodoreda neophodno je za razumijevanje poljoprivredne prakse za dugoročnu održivost poljoprivredne proizvodnje. Poljoprivredni usjevi su sve ...više izloženi suši zbog učinaka globalnih klimatskih promjena, a isto vrijedi i za Hrvatsku zbog stalnog porasta srednjih godišnjih temperatura i neujednačenoj količini padalina. Metode daljinskog istraživanja pokazale su se superiornima u otkrivanju i praćenju suše u usporedbi s konvencionalnim metodama promatranja s meteoroloških postaja. Podaci o stanju usjeva u ranim fazama razvoja ukazuju na potencijalne nepravilnosti u razvoju poljoprivrednih usjeva. Cilj ovog rada je pružiti perspektivu primjene daljinskog istraživanja u upravljanju usjevima korištenjem najsuvremenijih metoda. Analiza moguće primjene ovih metoda u Hrvatskoj provedena je na makro i mikro razini. Prostorna klasifikacija, multikriterijska analiza pogodnost usjeva, procjena suše, otkrivanje korova i izračun gustoće usjeva analizirani su u odnosu na potrebnu opremu i segmente obrade podataka. Primjena daljinskog istraživanja u upravljanju usjevima nudi potencijalnu osnovu za bolje upravljanje usjevima kako na makro razini za planiranje uporabe zemljišta, tako i na mikro razini za obiteljska poljoprivredna gospodarstva.
Napredak tehnologije pridobivanja iz ležišta male propusnosti, tj. nekonvencionalnih ležišta, pridonio je znatnoj proizvodnji iz takve vrste ležišta ugljikovodika. Broj prikupljenih podataka ogroman ...je i većina ili svi su u digitalnome obliku. Strojno učenje jedan je od načina kako se takvi podatci mogu analizirati i time povezati niz (zavisnih i nezavisnih) varijabli. Predviđanje početne proizvodnje ima važnu ulogu u planiranju i opremanju samih ležišta i polja, a time utječe na odluke o investicijama te izvješća predana regulatornim agencijama. Ovdje je prikazana analiza ležišnih stijena i fluida na temelju bušotinskih podataka. Načinjen je model odlučivanja kojim je određen početni iznos proizvodnje iz nekonvencionalnoga ležišta. Uporabljena su dva modela predviđanja razvijena strojnim učenjem – umjetna neuronska mreža (UNM) te poopćeni linearni model (PLM). Izračunan je očekivani iscrpak novih bušotina. Srednja kvadratna pogrješka (SKP) za PLM iznosila je 1,57, a za UNM 1,24. Indeks ključnih svojstava pokazao je kako debljina ležišta ima najveći utjecaj (36,5 %) na početnu proizvodnju plina, a zatim slijedi povratni protok (29 %). Svojstva ležišta i fluida zajednički sudjeluju u početnoj proizvodnji s 53 %, dok ostalih 47 % otpada na parametre hidrauličnoga frakturiranja.
Ovaj rad se bavi otkrivanjem znanja primjenom postupaka strojnog učenja iz baze podataka web aplikacije iz društvenog područja. Izvršena je dubinska analiza podataka pomoću četiri različite metode na ...skupu podataka vezanih uz prijave i pohađanje poslovnih događaja organiziranih od strane jedne tvrtke u razdoblju od tri godine. Primarni cilj rada je otkrivanje znanja iz postojećeg skupa podataka. Pokazano je kako su se deskriptivnom dubinskom analizom otkrila nova znanja. Za analizu su korištene metode stabla odlučivanja, slučajne šume, indukcija pravila te metoda potpornih vektora. Proučene su razlike između navedenih metodologija, te prednosti i mane svake od njih s naglaskom na točnost i utrošak vremena. Osim toga, u radu je opisan i proces pripreme podataka koji je vremenski najzahtjevniji, te sami brojčani rezultati dobiveni prediktivnom analizom.
Procjena osjetljivosti na klizišta postaje vrlo produktivno istraživačko područje, pri čemu se prakticiraju različiti pristupi modeliranju kako bi se zonirale visoke i niske vjerojatnosti pojave ...klizišta. Međutim, ne postoji jasna suglasnost o tome koji je pristup najprikladniji. Razlog nedostatka općeg gledišta na izvedbu različitih pristupa mogao bi se djelomično objasniti osobitostima svake studije. Za procjenu učinkovitosti različitih pristupa neophodno je primjenjivati ih pod istim uvjetima za isto područje istraživanja. U ovome radu su istraživana tri različita pristupa, uključujući ekspertni, deterministički i pristup strojnog učenja, na području općine Ljubovija u zapadnoj Srbiji. Područje je poznato kao osjetljivo na klizišta i predstavlja dobru osnovu za procjenu odabranih metoda. Odlikuje ga kompleksna geologija i sklonost pojavi klizišta koja se obično nalaze u debeloj kori raspadanja paleozojskih formacija sastavljenih od škriljaca i meta-sedimenata. Pod ekstremnim uvjetima za aktivaciju, poput onog koji se odvijao u svibnju 2014., ove debele kore raspadanja se zasićuju i omogućuju raznovrsne pojave klizišta i bujica, na koje ćemo se usredotočiti u ovoj studiji. Primjena ekspertnog pristupa kroz analitički hijerarhijski proces je dala grubu kartu procjene. Deterministički model, koji integrira model beskonačne kosine i hidrološki model, dao je lošije rezultate u usporedbi sa ekspertnom metodom. Ovo se može objasniti time da su pretpostavke korištene u modelu bile previše jednostavne da generički modeliraju takav široki raspon tipologije klizišta. Konačno, pristup strojnog učenja, korištenjem algoritma Random Forest, dao je znatno bolje rezultate i pokazalo se da se može uspješno koristiti s raznovrsnom tipologijom klizišta na većoj prostornoj skali. Njegov AUC učinak je oko 0,75 , što je znatno bolje od AUC vrijednosti druga dva modela koji su do 0,55 , tj. na razini slučajnog nagađanja.
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.
Kako je telekomunikacijski sektor dosegao zreli stadij, zadržavanje postojećih korisnika od ključne je važnosti za pružatelje telekomunikacijskih usluga. Analizom liste poziva moguće je nadzirati ...korisnike u kontekstu društvene mreže i dobiti dodatni uvid u širenje utjecaja među povezanim korisnicima, što je relevantno za odljev korisnika. U ovom radu razmatramo obrasce komunikacije korisnika mobilnih mreža i podatke o planu pretplate. Naš cilj je korištenjem jednostavnog modela predvidjeti koji korisnici su najskloniji prijelazu na drugu mrežu, pritom koristeći samo korisnikovu društvenu mrežu koja se formira odlaznim pozivima i prijelazima između mreža njihovih susjeda. S ciljem mjerenja važnosti pojedinog parametra društvene mreže za predikciju prelaska na drugu mrežu uspoređena su tri modela: prostorna klasifikacija, regresijski model i model neuronske mreže. Za svakog pretplatnika razmatramo tri parametra društvene mreže: broj susjeda koji su promijenili mrežu, broj poziva prema njima kao i trajanje spomenutih poziva u različitim vremenskim razdobljima. Rezultati pokazuju kako se korištenjem samo jednog ili dva od navedenih parametara društvene mreže postižu rezultati koji su usporedivi ili bolji od rezultata složenijih modela drugih autora koji koriste veliki broj osobnih parametara i/ili parametara društvene mreže.
Veliki podatci Breslauer, Nenad
Zbornik radova Međimurskog veleučilišta u Čakovcu
14, Številka:
1
Paper
Odprti dostop
U prvom dijelu rada definiran je pojam „veliki podatci“. Zatim je dan pregled upotrebe i izvora velikih podataka. Spomenute su najčešće tehnologije koje se koriste u radu s velikim skupovima ...podataka. U drugom dijelu rada definiran je pojam strojnoga učenja te su opisane tri vrste strojnog učenja: podržano učenje, nadzirano učenje i nenadzirano učenje. Dat je pregled najpopularnijih tehnologija koje se koriste za strojno učenje i njihove mogućnosti. U zaključku su sumirane osnovne misli rada.
Veliki podatci (eng. Big data) je popularni termin koji opisuje eksponencijalni rast dostupnosti strukturiranih i nestrukturiranih podataka. Veći broj podatka pridonosi točnijoj analizi. S obzirom na to „veliki podatci“ imaju veliko značenje za samo poslovanje i društvo. 1 Točnijom analizom dobivamo pouzdanije odluke što ujedno donosi veću efikasnost, smanjuje troškove i rizik poslovanja.
Veliki podatci su idealno rješenje za analizu strukturiranih, nestrukturiranih i polustrukturiranih podataka koji dolaze s različitih izvora.
Prikaz članka u kojem su autori izradili sustav strojnog učenja za otkrivanje solarnih elektrana na satelitskim snimkama, a zatim su sustav implementirali na preko 550 terabajta slika. Pretražili su ...gotovo polovicu kopnene površine Zemlje, ukupno detektirali 68 661 solarni objekt i dobili globalnu procjenu od 423 gigavata instaliranog proizvodnog kapaciteta na kraju 2018. To je vrlo blizu procjeni Međunarodne agencije za obnovljivu energiju (IRENA). od 420 gigavata za isto razdoblje.
PDF
