Napovedovanje kakovosti pitne vode z uporabo metod strojnega učenjaSovič, Aljaž (Avtor) Bosnić, Zoran (Mentor) Hribar Lee, Barbara (Komentor) strojno učenjenapovedovanjekakovost pitne vodeKakovost pitne vode je eden ključnih dejavnikov varovanja javnega zdravja, zato je njeno spremljanje zakonsko predpisano. V Sloveniji se izvaja redni državni monitoring, ki spremlja širok nabor mikrobioloških in kemijskih kazalcev kakovosti. Z naraščajočim obsegom zbranih meritev se odpira vprašanje, ali lahko z metodami strojnega učenja izboljšamo ali dopolnimo tradicionalno presojo skladnosti vzorcev. Namen diplomske naloge je primerjati referenčni pristop z odločitvenimi pravili in metode strojnega učenja pri napovedovanju skladnosti vzorcev pitne vode s predpisanimi kazalci kakovosti. Nalogo smo zasnovali kot binarno klasifikacijo na obsežni množici vzorcev iz slovenskega državnega monitoringa za obdobje 2019–2025. Pristope vrednotimo z metodo časovnega prečnega preverjanja Leave-One-Year-Out, izbor atributov pa opravimo z metodo SHAP. Referenčni pristop z odločitvenimi pravili smo primerjali s štirimi modeli strojnega učenja: Gradient Boosting, Random Forest, LightGBM in večplastni perceptron. Predlagamo tudi dva lastna pristopa: regulativna korekcija metolaklora za pravilno obravnavo razgradnih produktov (ESA, OXA) pri vsoti pesticidov ter dvostopenjski model za boljšo obravnavo redkih kršitev. Rezultati kažejo, da modeli strojnega učenja dosežejo primerljive rezultate z referenčnim pristopom. Predlagana regulativna korekcija metolaklora bistveno zmanjša število napak referenčnega pristopa.20262026-06-24 11:05:01Diplomsko delo/naloga184036sl