Primerjava sodobnih metod strojnega učenja na primeru diagnosticiranja EKG signalovZavratnik, Jure (Avtor) Verber, Domen (Mentor) strojno učenjeEKG signalimedicinska diagnostikaklasifikacijametrikeV magistrskem delu primerjamo sodobne pristope strojnega učenja za večoznačno diagnosticiranje 12-odvodnih EKG signalov na podatkovni zbirki Georgia 12-lead ECG Challenge. Posvetimo se modelu random forest ter globokim arhitekturam konvolucijskih in rezidualnih nevronskih mrež, ocenjenim z makro in mikro metrikami, ter razložljivim z metodama SHAP in Grad-CAM. Rezultati kažejo, da ResNet najzanesljiveje prepozna kompleksne vzorce, CNN nudi dobro razmerje med natančnostjo, hitrostjo in velikostjo modela, medtem ko RF služi kot referenca. Kombinacija visoke uspešnosti, dobre razložljivosti in majhne računske zahtevnosti predstavlja ključni korak k zanesljivejši uporabi strojnega učenja v kliničnem okolju.20262026-07-21 17:06:37Magistrsko delo/naloga98957sl