Differences

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

--- analiza [2026/01/22 21:58] – [Analiza Danych i Wyniki Symulacji] admin
+++ analiza [2026/01/22 22:02] (current) – [Podsumowanie] admin
@@ Line 1: / Line 1: @@
 ====== Analiza Danych i Wyniki Symulacji ======
-W tym rozdziale przedstawione są techniczne przykłady. W tym celu stworzono środowisko analityczne oparte na języku **Python**, które wykorzystano do przetworzenia rzeczywistych danych z systemu BMS.
+W tym rozdziale przedstawione są przykłady algorytmów w kodzie. W tym celu stworzono środowisko analityczne oparte na języku **Python**, które wykorzystano do przetworzenia rzeczywistych danych z systemu BMS.
 ===== 1. Środowisko i Biblioteki =====
-Analizę przeprowadzono w środowisku Jupyter Notebook. Wykorzystano standardowy stos technologiczny Data Science:
+Analizę przeprowadzono w środowisku Google Colab. Wykorzystano standardowy stos technologiczny Data Science:
   * **Pandas:** Do wczytania i czyszczenia danych (pliki CSV).
@@ Line 54: / Line 54: @@
   * Model osiągnął współczynnik dopasowania **R² = 0.85**, co oznacza, że w 85% zmienność zużycia energii da się wyjaśnić samą pogodą. Pozostałe 15% to czynniki losowe (np. liczba ludzi w biurze).
-===== 3. Studium Przypadku B: Wykrywanie Anomalii (Anomaly Detection) =====
+===== 3. Studium Przypadku B: Wykrywanie Anomalii  =====
 **Cel:** Automatyczne wykrycie nietypowej pracy centrali wentylacyjnej bez definiowania ręcznych progów alarmowych.
@@ Line 75: / Line 75: @@
 . **Błąd czujnika:** Chwilowy, niefizyczny skok odczytu.
-===== Podsumowanie Projektu =====
+===== Podsumowanie =====
 Przeprowadzone symulacje potwierdzają, że algorytmy Machine Learning mogą być skutecznie stosowane w Facility Management.
   * Prosta **Regresja** pozwala precyzyjniej budżetować koszty mediów.
   * **Detekcja anomalii** pozwala wyłapać usterki, które umykają uwadze operatora BMS.
-Dalszy rozwój projektu mógłby obejmować integrację modelu z systemem pogodowym API w czasie rzeczywistym.