prikaz prve stranice dokumenta Centralizirani modeli prostorno-vremenski ponderirane i grupirane regresije
Rad nije dostupan
diplomski rad
Centralizirani modeli prostorno-vremenski ponderirane i grupirane regresije
2021. urn:nbn:hr:168:585633
Čačković, Kristijan
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Čačković, K. (2021). Centralizirani modeli prostorno-vremenski ponderirane i grupirane regresije (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:585633

Čačković, Kristijan. "Centralizirani modeli prostorno-vremenski ponderirane i grupirane regresije." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:585633

Čačković, Kristijan. "Centralizirani modeli prostorno-vremenski ponderirane i grupirane regresije." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:585633

Čačković, K. (2021). 'Centralizirani modeli prostorno-vremenski ponderirane i grupirane regresije', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 07.05.2024., https://urn.nsk.hr/urn:nbn:hr:168:585633

Čačković K. Centralizirani modeli prostorno-vremenski ponderirane i grupirane regresije [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2021 [pristupljeno 07.05.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:585633

K. Čačković, "Centralizirani modeli prostorno-vremenski ponderirane i grupirane regresije", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:585633

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:585633
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovCentralizirani modeli prostorno-vremenski ponderirane i grupirane regresije
Naslov (engleski)Centralized Models of Spatio-Temporal Weighted and Clustered Regression
AutorKristijan Čačković
MentorKrešimir Pripužić (mentor)
Član povjerenstvaKrešimir Pripužić (predsjednik povjerenstva)
Član povjerenstvaSiniša Sovilj (član povjerenstva)
Član povjerenstvaJurica Babić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2021-07-09, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Cilj ovog rada je implementacija centraliziranih modela prostorno-vremenski ponderirane i grupirane regresije te optimizacija istih za rad s velikim podacima koristeći programski jezik Python. Oba razvijena modela optimizirani su te nude podršku za višeprocesni rad kako bi bolje iskoristili računalne resurse i poboljšali performanse. Razvijeni modeli temelje se na modelu linearne regresije. Algoritam linearne regresije korišten prilikom izrade ovog rada dio je programske knjižnice scikit-learn. Tijekom implementacije ranije navedenih modela korištena je programska knjižnica pandas koja je olakšala manipulaciju podacima te programska knjižnica NumPy pomoću koje su implementirani ključni matematički dijelovi modela. Razvijeni modeli eksperimentalno su evaluirani nad velikim skupom podataka. Oba modela bolje adresiraju problem lokalnih prostornih i vremenskih varijacija u podacima u odnosu na model linearne regresije. Model prostorno-vremenski grupirane regresije nudi bolje performanse u radu s velikim podacima u odnosu na model prostorno-vremenski ponderirane regresije uz neprimjetne razlike u točnosti modela.
Sažetak (engleski)
The goal of this paper is an implementation of centralized models of spatio-temporal weighted and clustered regression and their optimization for working with big data using the Python programming language. Both developed models are optimized and offer support for multiprocessing to make better use of computing resources and improve performance. The developed models are based on the linear regression model. The linear regression algorithm used for the implementation of spatio-temporal models is part of the scikit-learn library. During the implementation of previously mentioned models, the pandas library was used to facilitate data manipulation. The NumPy library was also used to implement key mathematical parts of the models. The developed models were experimentally evaluated over a large data set. Both models better address the problem of local spatial and temporal variations in the data compared to the linear regression model. The model of spatio-temporal clustered regression offers better performance in working with big data compared to the model of spatio-temporal weighted regression with imperceptible differences in model accuracy.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:585633
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-13 14:43:28