Przewidywanie warunku do surfingu za pomocą algorytmu uczenia przyrostowego dla danych strumieniowych

dc.contributor.author	Skoupy, Piotr
dc.date.accessioned	2023-03-23T10:43:29Z
dc.date.available	2023-03-23T10:43:29Z
dc.date.issued	2023-03-23
dc.identifier.issn	2022/M/DS/20
dc.identifier.uri	https://repin.pjwstk.edu.pl/xmlui/handle/186319/2686
dc.description.abstract	W tej pracy porównano narzędzia używane do predykcji warunków surfingowych z wykorzystaniem algorytmów uczenia maszynowego dla danych strumieniowych. Do tego badania wykorzystano zbiór danych, uprzednio wyciągnięty w procesie ETL ze strony https://magicseaweed.com/ oraz wykorzystujący dane z biblioteki Python meteostat. Porównano tu zarówno klasyczne modele uczenia maszynowego jak Regresja liniowa, Lasy losowe przez głębokie sieci neuronowe kończąc na specjalistycznym modelu do analizy danych strumieniowych z biblioteką scikit-multiflow czyli Adaptacyjny las regresyjny Hoeffdinga.	pl_PL
dc.language.iso	other	pl_PL
dc.relation.ispartofseries	;Nr 7225
dc.subject	Dane strumieniowe	pl_PL
dc.subject	uczenie maszynowe	pl_PL
dc.subject	uczenie inkrementalne	pl_PL
dc.title	Przewidywanie warunku do surfingu za pomocą algorytmu uczenia przyrostowego dla danych strumieniowych	pl_PL
dc.title.alternative	Surfing conditions prediction with incremental learning algorithms for streaming data	pl_PL
dc.type	Thesis	pl_PL