prikaz prve stranice dokumenta Primjena strojnog učenja u ocjenjivanju kakvoće mora za kupanje
  Preuzmi
PDF 778.09 KB
diplomski rad
Primjena strojnog učenja u ocjenjivanju kakvoće mora za kupanje
2021. urn:nbn:hr:166:482854
Džal, Daniela
Sveučilište u Splitu
Prirodoslovno-matematički fakultet
Odjel za matematiku

Citirajte ovaj rad

Džal, D. (2021). Primjena strojnog učenja u ocjenjivanju kakvoće mora za kupanje (Diplomski rad). Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:166:482854

Džal, Daniela. "Primjena strojnog učenja u ocjenjivanju kakvoće mora za kupanje." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2021. https://urn.nsk.hr/urn:nbn:hr:166:482854

Džal, Daniela. "Primjena strojnog učenja u ocjenjivanju kakvoće mora za kupanje." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2021. https://urn.nsk.hr/urn:nbn:hr:166:482854

Džal, D. (2021). 'Primjena strojnog učenja u ocjenjivanju kakvoće mora za kupanje', Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, citirano: 18.11.2024., https://urn.nsk.hr/urn:nbn:hr:166:482854

Džal D. Primjena strojnog učenja u ocjenjivanju kakvoće mora za kupanje [Diplomski rad]. Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet; 2021 [pristupljeno 18.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:482854

D. Džal, "Primjena strojnog učenja u ocjenjivanju kakvoće mora za kupanje", Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, Split, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:482854

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:166:482854
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPrimjena strojnog učenja u ocjenjivanju kakvoće mora za kupanje
Naslov (engleski)Application of machine learning on evaluation of beach water quality
AutorDaniela Džal
MentorIvo Ugrina (mentor)
MentorIvana Nižetić Kosović (pomoć pri izradi, neposredni voditelj)
Član povjerenstvaIvo Ugrina (predsjednik povjerenstva)
Član povjerenstvaDamir Vukičević (član povjerenstva)
Član povjerenstvaJurica Perić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Prirodoslovno-matematički fakultet
(Odjel za matematiku)
Split
Datum i država obrane2021-01-29, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Kakvoća mora za kupanje procjenjuje se na temelju količine bakterija escherichia coli i crijevni enterokok u uzorku. S obzirom da mikrobiološka analiza traje nekoliko dana, takva informacija nije upotrebljiva kod obavještavanja javnosti o trenutnoj kvaliteti vode. Stoga je cilj ovog rada primijeniti predikcijske modele na navedenim podacima. U okviru rada izgrađene su dvije feed forward neuronske mreže za klasifikaciju kakvoće mora, svaka za po jednu vrstu bakterije. Novi se uzorak klasificira kao nezadovoljavajuć ako barem jedna neuronska mreža predvidi prekomjernu količinu bakterija. Model je verificiran usporedbom sa stvarnim mjerenjima na skupu za testiranje. Dobiveni modeli klasificiraju onečišćenje prema bakteriji e. coli s informednessom 69.5%, a prema crijevnom enterokokiju s 83.2%. Opisanim spajanjem ovih modela dobije se model koji klasificira nove uzorke s informednessom 64%. S obzirom na specifičnost problema, tešku predvidljivost količine bakterija i nebalansiranost podataka, dobiveni su rezultati iznad očekivanja, a daljnje bi se poboljšanje dobilo češće uzorkovanim podacima.
Sažetak (engleski)
Beach water quality assessment is based on the amount of e. coli and intestinal enterococci in a sample. Microbiological analysis lasts up to few days and gained information is not applicable to informing the public on present conditions. The goal of this thesis is to apply predictive models on available data. Two neural networks have been trained, each classifying beach water quality based on only one bacteria type. New sample is classified as non-satisfactory if a high level of bacteria is predicted by at least one neural network. Model is evaluated by comparing predictions with microbiological results on test data. Trained models classify beach water quality with informedness 69.5% for e. coli, and 83.2% for enterococci. Merged model has informedness 64%. Considering unpredictability of bacteria levels and data imbalance, acquired results are above expectations and further improvements could be achieved by training the model on more frequently sampled data.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:166:482854
Studijski programNaziv: Matematika; smjerovi: teorijski, računarski, nastavnički, statistika i računarstvo
Smjer: računarski
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra matematike (mag. math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-02-02 17:36:40