<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=153298"><dc:title>Avtomatsko določanje ustreznosti PSG-elektronskih tiskanih vezij z metodami strojnega učenja</dc:title><dc:creator>Sovdat,	Sara	(Avtor)
	</dc:creator><dc:creator>Todorovski,	Ljupčo	(Mentor)
	</dc:creator><dc:creator>Petković,	Matej	(Komentor)
	</dc:creator><dc:subject>strojno učenje</dc:subject><dc:subject>neenakomerno porazdeljeni podatki</dc:subject><dc:subject>dvojiška klasifikacija</dc:subject><dc:subject>ADASYN</dc:subject><dc:subject>TPE</dc:subject><dc:subject>optimizacija</dc:subject><dc:subject>digitalizacija</dc:subject><dc:subject>avtomobilska industrija</dc:subject><dc:description>V tem delu opišemo razvoj in implementacijo sistema za avtomatsko razvrščanje PSG-elektronskih vezij, ki deluje na podlagi strojnega učenja. Podamo pregled celotnega postopka, od urejanja podatkov do vpetja rešitve v proizvodni proces. Ker se srečamo z zelo neenakomerno porazdeljenimi podatki z dvema razredoma za ciljno spremenljivko, opišemo možnosti za manipulacijo učne množice po prinpcipu nadvzorčenja manjšinskega razreda.
Podrobneje opišemo uporabljene algoritme strojnega učenja in algoritem TPE, ki temelji na Bayesovem pristopu iskanja optimalnih vrednosti hiperparametrov. Zaradi specifike podatkov in problema moramo za iskanje optimalne konfiguracije in vrednotenje modela definirati posebno uteženo metriko.
Natančneje podamo opis implementacije in načina napovedovanja modela, nato pa še način integracije na proizvodno linijo. Zaključimo s predstavitvijo rezultatov.</dc:description><dc:date>2023</dc:date><dc:date>2023-12-21 08:15:03</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>153298</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>