<?xml version="1.0"?>
<metadata xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:dc="http://purl.org/dc/elements/1.1/"><dc:title>Primerjava algoritmov strojnega učenja za napovedovanje bodočih stanj medicinske naprave</dc:title><dc:creator>KEKIĆ,	ADMIR	(Avtor)
	</dc:creator><dc:creator>Kos,	Andrej	(Mentor)
	</dc:creator><dc:subject>Napovedovanje</dc:subject><dc:subject>strojno učenje</dc:subject><dc:subject>regresija</dc:subject><dc:subject>odločitveno drevo</dc:subject><dc:subject>k-najbližjih sosedov</dc:subject><dc:subject>obdelava podatkov</dc:subject><dc:subject>analiza podatkov.</dc:subject><dc:description>V diplomski nalogi sem analiziral možnosti napovedovanja senzornih podatkov medicinskega stroja WD 290, ki ga proizvaja podjetje Belimed. Namen napovedovanja senzornih podatkov je omogočiti zgodnje zaznavanje morebitnih nepravilnosti v delovanju stroja, ter s tem preprečiti izpade ali okvare. Napovedovanje tako služi kot orodje za oceno prihodnjega stanja stroja na podlagi trendov v senzornih podatkih. Takšen pristop lahko služi kot osnova za vzpostavitev prediktivnega servisa, ki omogoča pravočasno vzdrževanje in optimizacijo delovanja naprav. Z uporabo različnih algoritmov strojnega učenja (linearna in polinomska regresija, odločitveno drevo ter metod k-najbližjih sosedov - KNN) sem primerjal njihovo učinkovitost pri napovedovanju vrednosti na podlagi zbranih podatkov.
Podatke sem pridobil s pomočjo programske opreme SmartHub ter jih obdelal z uporabo programskega jezika Python. Izvedel sem predobdelavo podatkov, učenje modelov ter njihovo vrednotenje z metrikama koeficientom determinacije in povprečno kvadratno napako.
Ugotovil sem, da sta se metodi odločitvenega drevesa in KNN izkazali za najbolj natančni, medtem ko sta regresijska modela pokazala slabšo zmogljivost zaradi kompleksnosti podatkovnega nabora.</dc:description><dc:date>2025</dc:date><dc:date>2025-11-10 13:05:01</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>175830</dc:identifier><dc:identifier>VisID: 63232</dc:identifier><dc:identifier>COBISS_ID: 266955779</dc:identifier><dc:language>sl</dc:language></metadata>
