Iskanje po katalogu digitalne knjižnice

Opis: Diplomsko delo obravnava razvoj in optimizacijo modelov za analizo garancijskih podatkov in napovedovanje odpovedi z metodami globokega učenja. Globoko učenje je redko uporabljeno v tovrstne namene, zato so raziskave na tem področju pomembne, a obenem težavne, saj obstaja manj predhodnih virov, s katerimi si lahko pomagamo. Na drugi strani pa se tehnologija v zadnjih letih razvija izjemno hitro, tako da lahko modele globokega učenja implementiramo tudi brez detajlnega poznavanja vseh elementov globokega učenja, kar je omogočilo razcvet uporabe in aplikacijo globokega učenja na široko paleto problemov. V nalogi smo preizkusili več različnih modelov, od prilagojenega enoslojnega perceptrona do konvolucijske nevronske mreže, in večje število optimizacijskih metod. Z uporabljenimi metodami smo dosegli 30–40-% stopnjo natančnosti, kar odstopa od želene 10-% stopnje napake. Pri tem moramo upoštevati majhen nabor vhodnih podatkov. Metode globokega učenja se ob zastavljenem zahtevnem pogoju niso izkazale kot primerne za uporabo, iz pridobljenih informacij pa zaključujemo, da bodo metode najverjetneje uporabne v prihodnje, ko bo na voljo več podatkov, ki bodo tudi bolj kvalitetni.
Ključne besede: Garancijski podatki, Strojno učenje, Nevronske mreže, Globoko učenje, Python, Tensorflow
Objavljeno v DKUM: 14.09.2017; Ogledov: 4647; Prenosov: 797
Celotno besedilo (3,16 MB)