hrvatski

Napredne tehnike odabira uzoraka za metode strojnog učenja

Strojno učenje možemo definirati kao ogranak računalne znanosti koji se bavi učenjem i samostalnim poboljšavanjem računalnih programa. Smatra se dijelom umjetne inteligencije. Algoritmi za strojno učenje grade model na temelju uzoraka, poznatih kao uzorci za obuku, kako bi mogli predviđati ili donositi odluke bez izričitog programiranja u te svrhe. U sklopu ovog rada razmotrit će se tri tehnike odabira uzoraka (uzorci za obuku i testiranje), pri čemu će dvije tehnike razmatrati uzorke na razini piksela, dok će treća shema razmatrati uzorke na razini objekta. Za sve tri tehnike, koristit će se uobičajeni postupak unakrsne provjere (engl. cross-validation) s ciljem izbjegavanja pozitivno pristranih rezultata. Za potrebe nadzirane klasifikacije Sentinel-2 snimaka koristit će se Random Forest (RF) metoda strojnog učenja. RF metoda temelji se na izgradnji stabla odluke (engl. decision tree). Iz uzoraka za obuku nasumično se uzimaju uzorci te iz dobivenih nasumičnih uzoraka algoritam izgradi „šumu“ stabala. Konačna klasa u klasifikaciji odabere se na temelju odgovora većine stabala. Ulazni podaci – uzorci biti će odabrani iz baza zemljišnog pokrova na europskoj razini (CORINE, LUCAS) te na nacionalnoj razini (ARKOD). Python programski jezik će se koristiti za implementiranje klasifikacijskih metoda.

ARKOD, CORINE, LUCAS, Python, Random Forest, Sentinel-2, uzorci

nije evidentirano