Strojno učenje : vrednotenje v zavarovalništvuErker, Matevž (Avtor)
Košir, Tomaž (Mentor)
Todorovski, Ljupčo (Komentor)
posplošeni linearni modelstrojno učenjerudarjenje podatkovprečno preverjanjeodločitvena drevesanaključni gozdovinevronske mrežeV magistrskem delu si bomo pogledali posplošeni linearni model in njegove predpostavke. Kot že samo ime pove, je posplošeni linearni model posplošitev linearnega modela. Najpomembnejša posplošitev je predpostavka, da slučajna spremenljivka ni nujno porazdeljena normalno, ampak spada v družino eksponentnih porazdelitvenih funkcij.
V drugem delu magistrskega dela se bomo posvetili strojnemu učenju in primerjanju metod strojnega učenja s posplošenim linearnim modelom. Kot vemo, se nahajamo v dobi podatkov. Edina rešitev za procesiranje in iskanje smisla v ogromni količini podatkov, ki je na voljo, je strojno učenje in podatkovno rudarjenje. Znanstveniki pravijo, da nekatere metode strojnega učenja posnemajo odločanje posameznikov. Tema tega magistrskega dela je tako poskus menjave posplošenega linearnega modela z modeli strojnega učenja. Pogledali si bomo, kako zgradimo odločitvena drevesa in kakšne parametre imamo, kako so zgrajene umetne nevronske mreže in njihovo povezavo z biološkimi nevronskimi mrežami ter kako se pri strojnem učenju odločamo za najboljši model. Na koncu je podan tudi primer izračuna štirih modelov (odločitveno drevo, naključni gozd, nevronske mreže in kaskadni model) ter primerjava s posplošenim linearnim modelom v programskem jeziku R.20182018-09-20 07:45:01Magistrsko delo/naloga103569UDK: 519.2VisID: 91167COBISS_ID: 18443097sl