algorytmy

Differences

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

Link to this comparison view

Both sides previous revision Previous revision
Next revision		 Previous revision
algorytmy [2026/01/22 21:49] – [3. Algorytmy Klasteryzacji] adminalgorytmy [2026/01/22 21:51] (current) – [Podsumowanie doboru metod] admin
Line 8: Line 8:
  
 ===== 1. Algorytmy Regresji ===== ===== 1. Algorytmy Regresji =====
-**Typ uczenia:** Nadzorowane (Supervised Learning)+**Typ uczenia:** Nadzorowane 
 **Cel:** Przewidywanie wartości ciągłej (liczby). **Cel:** Przewidywanie wartości ciągłej (liczby).
  
Line 18: Line 18:
  
 ===== 2. Algorytmy Klasyfikacji ===== ===== 2. Algorytmy Klasyfikacji =====
-**Typ uczenia:** Nadzorowane (Supervised Learning)+**Typ uczenia:** Nadzorowane
 **Cel:** Przypisanie danych do konkretnej kategorii (klasy). **Cel:** Przypisanie danych do konkretnej kategorii (klasy).
  
 Algorytm odpowiada na pytania typu "TAK/NIE" lub "A/B/C". 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).   * **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:** Predictive Maintenance – klasyfikacja stanu urządzenia jako "Sprawne" lub "Wymaga serwisu". > **Zastosowanie:** Predictive Maintenance – klasyfikacja stanu urządzenia jako "Sprawne" lub "Wymaga serwisu".
  
 ===== 3. Algorytmy Klasteryzacji ===== ===== 3. Algorytmy Klasteryzacji =====
-**Typ uczenia:** Nienadzorowane (Unsupervised Learning)+**Typ uczenia:** Nienadzorowane
 **Cel:** Wykrywanie grup i wzorców w danych nieetykietowanych. **Cel:** Wykrywanie grup i wzorców w danych nieetykietowanych.
  
Line 38: Line 38:
  
 ===== 4. Sieci Neuronowe (Neural Networks) ===== ===== 4. Sieci Neuronowe (Neural Networks) =====
-**Typ uczenia:** Głębokie (Deep Learning)+**Typ uczenia:** Uczenie Głębokie 
 **Cel:** Modelowanie bardzo złożonych, nieliniowych zależności. **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.   * **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 ===== ===== 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 ^ ^ Problem Inżynierski ^ Rodzaj Danych ^ Wybrany Algorytm ^
  • algorytmy.1769118548.txt.gz
  • Last modified: 2026/01/22 21:49
  • by admin