prikaz prve stranice dokumenta Algoritmi strojnog učenja za analizu preživljenja
  Download
PDF 1.09 MB
master's thesis
Algoritmi strojnog učenja za analizu preživljenja
Zagreb: University of Zagreb, Faculty of Science, 2019. urn:nbn:hr:217:345813
Vrdoljak, Ivana
University of Zagreb
Faculty of Science
Department of Mathematics

Institutional repository: Repository of the Faculty of Science

Cite this document

Vrdoljak, I. (2019). Algoritmi strojnog učenja za analizu preživljenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:217:345813

Vrdoljak, Ivana. "Algoritmi strojnog učenja za analizu preživljenja." Master's thesis, University of Zagreb, Faculty of Science, 2019. https://urn.nsk.hr/urn:nbn:hr:217:345813

Vrdoljak, Ivana. "Algoritmi strojnog učenja za analizu preživljenja." Master's thesis, University of Zagreb, Faculty of Science, 2019. https://urn.nsk.hr/urn:nbn:hr:217:345813

Vrdoljak, I. (2019). 'Algoritmi strojnog učenja za analizu preživljenja', Master's thesis, University of Zagreb, Faculty of Science, accessed 16 May 2024, https://urn.nsk.hr/urn:nbn:hr:217:345813

Vrdoljak I. Algoritmi strojnog učenja za analizu preživljenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Science; 2019 [cited 2024 May 16] Available at: https://urn.nsk.hr/urn:nbn:hr:217:345813

I. Vrdoljak, "Algoritmi strojnog učenja za analizu preživljenja", Master's thesis, University of Zagreb, Faculty of Science, Zagreb, 2019. Available at: https://urn.nsk.hr/urn:nbn:hr:217:345813

Metadata
TitleAlgoritmi strojnog učenja za analizu preživljenja
AuthorIvana Vrdoljak
MentorTomislav Šmuc (mentor)
Committee memberTomislav Šmuc (predsjednik povjerenstva)
Committee memberMatija Kazalicki (član povjerenstva)
Committee memberNenad Antonić (član povjerenstva)
Committee memberRobert Manger (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Science
(Department of Mathematics)
Zagreb
Defense date and country2019-09-25, Croatia
Scientific / art field,
discipline and subdiscipline		NATURAL SCIENCES
Mathematics
Abstract
Analiza preživljenja iznimno je korisna kada želimo predvidjeti vrijeme događaja od interesa. Postoji sve više podataka prikladnih za analizu preživljenja i sve veća potreba za analiziranje istih. Postoji cijeli skup statističkih metoda, a sve se više razvijaju i metode strojnog učenja prilagođene za glavno svojstvo podataka o preživljenju, cenzuriranje. Dan je pregled statističkih metoda analize preživljenja i metoda strojnog učenja. Metode su uspoređene te je za dan pregled prednosti i mana. Navedne su i opisane mjere uspješnosti modela kod analize preživljenja. U ovome radu su opisane metode primijenjene na primjeru iz stvarnog svijeta, na podacima glazbene aplikacije.
Abstract (english)
Survival analysis is extremely useful when we want to predict the time of the event of interest. There are a lot of developed statistical methods and machine learning is getting more and more adapted to the main problem with survival data, censorship. In this thesis is given a review of conventional survival analysis methods and various machine learning methods for survival analysis. Methods were compared and the main advantages and disadvantages of each were specified. Using specialized evaluation metrics for prediction performance was described. In this thesis main methods for analyzing such data are applied to the music application data.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:217:345813
Study programmeTitle: Mathematical Statistics
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra matematike (magistar/magistra matematike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2020-06-26 10:39:42