prikaz prve stranice dokumenta Evaluacija automobila primjenom umjetne inteligencije
  Download
PDF 2.47 MB
master's thesis
Evaluacija automobila primjenom umjetne inteligencije
Rijeka: University of Rijeka, Faculty of Engineering, 2023. urn:nbn:hr:190:308978
Ilijanić, Luka
University of Rijeka
Faculty of Engineering

Institutional repository: Repository of the University of Rijeka, Faculty of Engineering

Cite this document

Ilijanić, L. (2023). Evaluacija automobila primjenom umjetne inteligencije (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:308978

Ilijanić, Luka. "Evaluacija automobila primjenom umjetne inteligencije." Master's thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:308978

Ilijanić, Luka. "Evaluacija automobila primjenom umjetne inteligencije." Master's thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:308978

Ilijanić, L. (2023). 'Evaluacija automobila primjenom umjetne inteligencije', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 30 November 2024, https://urn.nsk.hr/urn:nbn:hr:190:308978

Ilijanić L. Evaluacija automobila primjenom umjetne inteligencije [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2023 [cited 2024 November 30] Available at: https://urn.nsk.hr/urn:nbn:hr:190:308978

L. Ilijanić, "Evaluacija automobila primjenom umjetne inteligencije", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:190:308978

Metadata
TitleEvaluacija automobila primjenom umjetne inteligencije
AuthorLuka Ilijanić
MentorZlatan Car (mentor)
Committee memberAlfredo Višković (predsjednik povjerenstva)
Committee memberZlatan Car (član povjerenstva)
Committee memberRene Prenc (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
Rijeka
Defense date and country2023, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Electrical Engineering
Automation and Robotics
Abstract
U ovom diplomskom radu analiziran je skup podataka evaluacije automobila koji je poslužio za treniranje i testiranje popularnih algoritama strojnog učenja, među koje spadaju logistička regresija, algoritam k-najbližih susjeda, višeslojni perceptron i stablo odlučivanja. Skup podataka je klasifikacijskog tipa te automobile vrednuje na osnovu njihovih karakteristika, kao što su cijena, trošak održavanja, razina sigurnosti i slično. Utjecaj vrijednosti pojedine karakteristike, koja odgovara ulaznoj varijabli, na procjenu automobila promatra se na osnovu grafičkih prikaza, hi-kvadrat testa i korelacijske analize. Na temelju donesenih zaključaka iz statističke analize započinje učenje i testiranje klasifikacijskih algoritama. Iterativnim postupkom nastoji se od svakog algoritma dobiti najbolje moguće rješenje, pritom se njihova kvaliteta ispituje na osnovu rezultata pojedinih metrika (točnost, preciznost, ROC AUC rezultat,...). Postizanje stabilne procjene izvedbe pojedinog modela te prikaz na koji način se modeli mogu kombinirati ostvareno je primjenom metoda unakrsne validacije i ansambla. Za potrebe izvođenja rada koristi se Spyder softver dizajniran za Python programski jezik.
Abstract (english)
In this thesis, a car evaluation data set was analized and used for training and testing popular machine learning algorithms, such as Logistic regression, k-nearest neighbor algorithm, Multi-Layer Perceptron and Decision Tree. The data set corresponds to classification type problem and evaluates cars based on their characteristics, such as price, maintenance cost, safety level, etc. Influence of the value of particural characteristic, which corresponds to the input variable, on evaluation of the car is observed on the basis of graphical representations, chi-square test and correlation analysis. Based on the conclusions reached from the statistical analysis begins learning and testing of classification algorithms. Each algorithm tries to achieve the best possible solution through an iterative process, while their quality is tested based on the results of particular metrics (accuracy, precision, ROC AUC score,...). Achieving stable performance evaluation of particular model and showing how models can be combined was described by applying the cross-validation and ensemble methods. To create this work is used Spyder software designed for Python programming language.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:308978
Study programmeTitle: Graduate University Study of Electrical Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike (magistar/magistra inženjer/inženjerka elektrotehnike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2023-03-14 11:58:28