Differences

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

--- start [2026/01/20 12:24] – admin
+++ start [2026/01/22 21:26] (current) – [Struktura strony] admin
@@ Line 1: / Line 1: @@
-Strona Główna====== Machine Learning w Facility Management ======
+{{ :smart_building.jpg?600|}}====== Machine Learning w Facility Management ======
-Witaj w moim projekcie! Ta strona powstała, żeby zebrać w jednym miejscu wiedzę o tym, jak **Sztuczna Inteligencja (AI)** i **Machine Learning (ML)** zmieniają branżę zarządzania nieruchomościami.
+Strona zawiera dokumentację projektu dotyczącego zastosowania uczenia maszynowego (Machine Learning) w zarządzaniu nieruchomościami.
-Nie chodzi tu tylko o teorię – w dalszych częściach pokazuję, jak można wykorzystać te technologie w praktyce (na przykładach w Pythonie).
+Projekt skupia się na praktycznym wykorzystaniu danych z systemów budynkowych do optymalizacji kosztów i wykrywania awarii, zanim one wystąpią.
-===== O co w tym chodzi? =====
+===== O projekcie =====
-Do tej pory zarządzanie budynkami (Facility Management) było dość proste: psuje się → naprawiamy. Albo wymieniamy części "na kalendarz", nawet jak są sprawne. To strata pieniędzy i czasu.
+Współczesne budynki generują ogromne ilości danych (temperatura, zużycie prądu, wibracje urządzeń). Celem tego projektu jest pokazanie, jak zamienić te surowe dane w konkretne decyzje zarządcze.
-Mój projekt pokazuje podejście **Data-Driven**, czyli sterowanie budynkiem na podstawie twardych danych, a nie "nosa" zarządcy. Dzięki czujnikom IoT i algorytmom możemy przewidzieć awarię, zanim ona wystąpi (Predictive Maintenance) albo inteligentnie sterować klimatyzacją.
+Zamiast tradycyjnego modelu "napraw, jak się zepsuje", projekt promuje podejście **Data-Driven FM**, czyli zarządzanie oparte na twardych danych i predykcji.
-===== Co znajdziesz w środku? =====
+===== Zakres prac =====
-Projekt podzieliłem na kilka konkretnych sekcji (nawigacja w menu po lewej):
+W ramach projektu przygotowano:
+  * **Część teoretyczną:** Wyjaśnienie, jak algorytmy ML działają w środowisku technicznym budynku.
+  * **Przykłady zastosowań:** Analiza wdrożeń w systemach HVAC, windach i zarządzaniu energią.
+  * **Analizę danych (Python):** Skrypty i wykresy pokazujące predykcję zużycia mediów oraz wykrywanie anomalii.
-  * **Teoria i Wstęp** – Krótko o tym, jak przeszliśmy od Excela do AI.
+===== Struktura strony =====
-  * **Obszary zastosowań** – Konkretne przykłady: od oszczędzania prądu, przez windy, aż po inteligentne sprzątanie.
+Nawigacja po lewej stronie prowadzi do poszczególnych sekcji:
-  * **Praktyka i Analiza** – To najważniejsza część. Wrzuciłem tu **moje autorskie wykresy** wygenerowane w Pythonie (Google Colab), które pokazują, jak algorytmy widzą dane z budynku.
+  * **Teoria:** Podstawowe pojęcia i ewolucja systemów FM.
-  * **Słownik i Źródła** – Żeby nikt się nie zgubił w tych wszystkich skrótach typu BMS, IoT czy SVM.
+  * **Przykłady Zastosowań:** Opis konkretnych przypadków użycia.
+  * **Praktyka i Analiza:** Wyniki symulacji i kod źródłowy.
+  * **Dodatki:** Słownik pojęć i bibliografia.
-===== Technologie, których użyłem =====
+===== Wykorzystane technologie =====
-Cały ten projekt postawiłem i przygotowałem samodzielnie, korzystając z:
+Projekt został zrealizowany przy użyciu:
-  * **Serwer:** VPS na DigitalOcean (Linux/Ubuntu).
+  * Serwer VPS (DigitalOcean, Linux Ubuntu).
-  * **Platforma:** DokuWiki (skonfigurowana przeze mnie).
+  * System CMS DokuWiki.
-  * **Analityka:** Python + biblioteki Scikit-Learn (do wykresów i modeli).
+  * Język Python (biblioteki Scikit-Learn, Matplotlib) do analizy danych.
-  * **Języki:** Strona ma wbudowany moduł automatycznego tłumaczenia (patrz menu boczne), więc jest dostępna globalnie.
 ----
-//Zapraszam do przeglądania!//