Differences

This shows you the differences between two versions of the page.

--- algorytmy [2026/01/22 21:48] – [2. Algorytmy Klasyfikacji (Classification)] admin
+++ algorytmy [2026/01/22 21:51] (current) – [Podsumowanie doboru metod] admin
@@ Line 8: / Line 8: @@
 ===== 1. Algorytmy Regresji =====
-**Typ uczenia:** Nadzorowane (Supervised Learning)
+**Typ uczenia:** Nadzorowane
 **Cel:** Przewidywanie wartości ciągłej (liczby).
 Jest to najczęściej stosowana grupa algorytmów w Facility Management, służąca do prognozowania zużycia mediów.
-  * **Regresja Liniowa (Linear Regression):** Modeluje prostą zależność, np. "im zimniej na zewnątrz, tym wyższy koszt ogrzewania".
+  * **Regresja Liniowa :** Modeluje prostą zależność, np. "im zimniej na zewnątrz, tym wyższy koszt ogrzewania".
-  * **Regresja Wielomianowa (Polynomial Regression):** Bardziej zaawansowana, potrafi modelować krzywe (np. nieliniową charakterystykę pracy wentylatora).
+  * **Regresja Wielomianowa :** Bardziej zaawansowana, potrafi modelować krzywe (np. nieliniową charakterystykę pracy wentylatora).
-> **Zastosowanie w projekcie:** Prognozowanie zużycia energii elektrycznej [kWh] w zależności od temperatury zewnętrznej.
+> **Zastosowanie:** Prognozowanie zużycia energii elektrycznej [kWh] w zależności od temperatury zewnętrznej.
 ===== 2. Algorytmy Klasyfikacji =====
-**Typ uczenia:** Nadzorowane (Supervised Learning)
+**Typ uczenia:** Nadzorowane
 **Cel:** Przypisanie danych do konkretnej kategorii (klasy).
 Algorytm odpowiada na pytania typu "TAK/NIE" lub "A/B/C".
   * **Support Vector Machines (SVM):** Bardzo skuteczny w znajdowaniu granicy między stanem "normy" a "awarią" w danych o wysokim zaszumieniu (np. wibracje).
-  * **Drzewa Decyzyjne (Decision Trees) i Random Forest:** Budują strukturę warunkową ("jeśli temp > X i ciśnienie < Y, to awaria"). Są łatwe do interpretacji przez inżynierów.
+  * **Drzewa Decyzyjne  i Random Forest:** Budują strukturę warunkową ("jeśli temp > X i ciśnienie < Y, to awaria"). Są łatwe do interpretacji przez inżynierów.
-> **Zastosowanie w projekcie:** Predictive Maintenance – klasyfikacja stanu urządzenia jako "Sprawne" lub "Wymaga serwisu".
+> **Zastosowanie:** Predictive Maintenance – klasyfikacja stanu urządzenia jako "Sprawne" lub "Wymaga serwisu".
-===== 3. Algorytmy Klasteryzacji (Clustering) =====
+===== 3. Algorytmy Klasteryzacji =====
-**Typ uczenia:** Nienadzorowane (Unsupervised Learning)
+**Typ uczenia:** Nienadzorowane
 **Cel:** Wykrywanie grup i wzorców w danych nieetykietowanych.
@@ Line 35: / Line 35: @@
   * **DBSCAN:** Wykrywa skupiska o nieregularnych kształtach i odrzuca punkty odstające (szum).
-> **Zastosowanie w projekcie:** Segmentacja typów dni w biurowcu (Dni robocze / Weekendy / Święta) na podstawie profili zużycia wody.
+> **Zastosowanie:** Segmentacja typów dni w biurowcu (Dni robocze / Weekendy / Święta) na podstawie profili zużycia wody.
 ===== 4. Sieci Neuronowe (Neural Networks) =====
-**Typ uczenia:** Głębokie (Deep Learning)
+**Typ uczenia:** Uczenie Głębokie
 **Cel:** Modelowanie bardzo złożonych, nieliniowych zależności.
   * **LSTM (Long Short-Term Memory):** Specjalny rodzaj sieci rekurencyjnej (RNN), idealny do analizy **szeregów czasowych**. Pamięta, co działo się wczoraj, co jest kluczowe przy bezwładności cieplnej budynku.
-> **Zastosowanie w projekcie:** Zaawansowana predykcja temperatury wewnętrznej z uwzględnieniem historii pogody z ostatnich 24h.
+> **Zastosowanie:** Zaawansowana predykcja temperatury wewnętrznej z uwzględnieniem historii pogody z ostatnich 24h.
 ===== Podsumowanie doboru metod =====
-W ramach części praktycznej projektu (kod Python) wykorzystano bibliotekę **Scikit-Learn**. Tabela przedstawia dobór metod do problemów:
 ^ Problem Inżynierski ^ Rodzaj Danych ^ Wybrany Algorytm ^