Uvajanje metod strojnega učenja v študijske programe kemijskega inženirstva : magistrsko delo

Šuster, Jure

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Uvajanje metod strojnega učenja v študijske programe kemijskega inženirstva : magistrsko delo
Avtorji:	ID Šuster, Jure (Avtor) ID Novak-Pintarič, Zorka (Mentor) Več o mentorju... ID Bogataj, Miloš (Komentor)
Datoteke:	MAG_Suster_Jure_2025.pdf (3,02 MB) MD5: 319807BCA03253AE587FD4FCD69A6B82
Jezik:	Slovenski jezik
Vrsta gradiva:	Magistrsko delo/naloga
Tipologija:	2.09 - Magistrsko delo
Organizacija:	FKKT - Fakulteta za kemijo in kemijsko tehnologijo
Opis:	V magistrskem delu so predstavljeni temeljni koncepti strojnega učenja in orodja za njihovo implementacijo, s posebnim poudarkom na praktičnem učenju z uporabo programskega jezika Python in njegovih uveljavljenih knjižnic, kot so NumPy, Pandas, Scikit-learn, Matplotlib, Keras in TensorFlow. Delo sistematično opisuje ključne faze razvoja modelov strojnega učenja, ki vključujejo pridobivanje in predobdelavo podatkov, izvedbo eksplorativne analize, uporabo različnih algoritmov za učenje ter vrednotenje njihove uspešnosti z ustreznimi metričnimi kazalci. V praktičnem delu so podrobneje prikazani trije primeri uporabe. Prvi primer obravnava napoved topnosti spojin, pri čemer je bil na osnovi javno dostopnega nabora podatkov razvit regresijski model za napoved kvantitativnih vrednosti. Drugi primer prikazuje uporabo klasifikacijskega modela za razvrščanje podatkov, pri čemer je bil poseben poudarek namenjen vrednotenju uspešnosti modela z različnimi metrikami. Tretji primer vključuje učenje večplastne nevronske mreže na znanem podatkovnem naboru ročno napisanih številk MNIST in ilustrira celoten proces – od priprave podatkov, nastavitve arhitekture modela, učenja modela, do vizualizacije in interpretacije rezultatov. Rezultati teh primerov potrjujejo, da je strojno učenje mogoče učinkovito približati študentom kemijskega inženirstva s kombinacijo teoretičnih osnov in praktičnih vaj, kar pomembno prispeva k njihovi boljši usposobljenosti za izzive sodobne industrije.
Ključne besede:	strojno učenje, kemijsko procesno inženirstvo, nevronske mreže, regresija, klasifikacija
Kraj izida:	Maribor
Kraj izvedbe:	Maribor
Založnik:	[J. Šuster]
Leto izida:	2025
Št. strani:	1 spletni vir (1 datoteka PDF (X, 55 str.))
PID:	20.500.12556/DKUM-95754
UDK:	004.85:378.147(043.2)
COBISS.SI-ID:	255802115
Datum objave v DKUM:	30.10.2025
Število ogledov:	170
Število prenosov:	46
Metapodatki:
Področja:	KTFMB - FKKT
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:	CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna

Povezava:	http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:	Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:	19.10.2025

Sekundarni jezik

Jezik:	Angleški jezik
Naslov:	Incorporation of machine learning methods into chemical engineering study programs
Opis:	This master’s thesis presents the fundamental concepts of machine learning and the tools required for their implementation, with a particular emphasis on practical learning through the use of the Python programming language and its widely adopted libraries, such as NumPy, Pandas, Scikit-learn, Matplotlib, Keras, and TensorFlow. The work systematically outlines the key stages involved in the development of machine learning models, which include data acquisition and preprocessing, conducting exploratory data analysis, applying various algorithms for learning, and evaluating their performance using appropriate metric indicators. In the practical section, three representative application examples are presented in detail. The first example focuses on predicting the solubility of compounds, where a regression model was developed to forecast quantitative values based on data obtained from a publicly available dataset. The second example illustrates the use of a classification model for data categorization, with particular attention given to assessing the performance of the model through different evaluation metrics. The third example involves training a multilayer neural network on the well-known MNIST dataset of handwritten digits, demonstrating the entire process—from preparing and preprocessing the data, configuring the model architecture, model training, to the visualization and interpretation of the results. The outcomes of these case studies confirm that machine learning can be effectively introduced to chemical engineering students by combining theoretical foundations with hands-on exercises, thereby enhancing their preparedness for the challenges of modern industry.
Ključne besede:	machine learning, chemical process engineering, neural networks, regression, classification

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj