20.500.12556/ReVIS-10135 Razvoj, ovrednotenje in primerjava odločitvenih modelov za napovedovanje delovanja čistilne naprave diplomska naloga V diplomski nalogi raziskujemo, kako lahko odločitvene modele v programu Orange uporabimo za čiščenje odpadne vode. Glavno vprašanje, ki nas zanima, je, kako dobro lahko ti modeli napovedujejo učinkovitost čistilnih naprav za odpadne vode, še posebej ko gre za razmerje med različnimi vhodnimi in izhodnimi parametri. Da bi to ugotovili, smo se lotili kombinacije empirične analize in strojnega učenja. Uporabili smo tri različne algoritme: Neural Networks (NN), Random Forest (RF) in Naivni Bayes (NB). Da bi še dodatno izboljšali naše modele, smo vključili tudi algoritem ReliefF, ki nam je pomagal izbrati tiste spremenljivke, ki najbolj vplivajo na naše rezultate. Glavni cilj naše raziskave je bil razjasniti, kako lahko odločitveni modeli pomagajo pri čiščenju odpadne vode. Končni cilji so bili jasni: ustvariti robustne odločitvene modele, preveriti, kako dobro delujejo, in ugotoviti, katere spremenljivke so ključne za uspešno čiščenje odpadne vode. In this thesis, we explore how decision models in Orange can be used for wastewater treatment. The main question we are interested in is how well these models can predict the performance of wastewater treatment plants, especially when it comes to the relationship between different input and output parameters. In order to find out, we have undertaken a combination of empirical analysis and machine learning. We used three different algorithms: Neural Networks (NN), Random Forest (RF) and Naive Bayes (NB). In order to further improve our models, we also included the ReliefF algorithm, which helped us to select those variables that have the most impact on our results.The main objective of our research was to clarify how decision models can help in wastewater treatment. The final objectives were to create robust decision models, to test how well they work, and to find out which variables are key to successful wastewater treatment. strojno učenje nevronske mreže naključni gozd naivni Bayes algoritem ReliefF odločitveni modeli Orange machine learning neural networks random forest naive Bayes ReliefF algorithm decision models Orange true true false [M. Štemberger] Slovenski jezik Angleški jezik Diplomsko delo/naloga 2023-12-06 09:03:38 2023-12-06 09:05:17 2024-06-12 20:50:01 0000-00-00 00:00:00 2023 0 Novo mesto 2023 Novo mesto Na ov.: Diplomska naloga : visokošolskega strokovnega študijskega programa prve stopnje; XV, 83 str. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.8(043.2) 174939907 VS_2023_Marko_Stemberger.pdf VS_2023_Marko_Stemberger.pdf 1 702B37B0CA0EC183CA0644384670C29A b2e5a1271b530e5534f23bd9acc54ce0925086b4cc1b5cf45fcc26462dc94ae4 8b9efda0-2899-11ef-9c9e-001a4af901a5 https://revis.openscience.si/Dokument.php?lang=slv&id=11470 Fakulteta za informacijske študije v Novem mestu 0 0 0