Primjena statističkih modela u predviđanju nalazišta biljnih vrsta

master's thesis

• Title (english): Application of probabilistic methods for predicting plant species distribution
• Author: Valentino Perović
• Mentor: Boris Milašinović (mentor)
• Committee member: Boris Milašinović (predsjednik povjerenstva)
• Committee member: Boris Vrdoljak (član povjerenstva)
• Committee member: Mirta Baranović (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2016-07-12, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Modeli strojnog učenja predstavljaju zanimljivo područje istraživanja u modernim tehnologijama. Korištenje takvih modela je posvuda, no posebno se istražuje korisnost i primjena takvih modela za predviđanje bioloških podataka. Jednostavnom uporabom ovih modela mogao bi se znatno olakšati rad biolozima s obzirom na dugotrajnu obradu podataka koju moraju provesti kako bi donijeli podjednako kvalitetne zaključke, a ispravnim modeliranjem i validacijom ovakvih modela može se ukloniti vjerojatnost... More ljudske pogreške prilikom istraživanja.
Opisane se ideje i kvalitete modela strojnog učenja s posebnim naglaskom na MAXENT (Maximum entropy) model, koji se pokazao iznimno povoljnim prilikom predikcije podataka o živim bićima. Napomenuti su problemi modela predviđanja prilikom rada s ovakvim podacima te su razmotrene ideje kako bi se takvi problemi efikasno razriješili. Predstavljeni su zahtjevi koje jedan sustav za predikciju nalazišta biljnih vrsta i biološke raznolikosti treba imati te definirana arhitektura takvog sustava uzevši u obzir prednosti koje bi takva arhitektura donijela.
Predstavljen je sustav za predviđanje biljnih vrsta i biološke raznolikosti, korištenjem detaljno opisanih modela podataka i MAXENT statističkog modela za predviđanje. Napravljeni su i dokazi ispravnosti nad podacima iz FCD te korisničko sučelje za rad sa samim sustavom.
Ukratko su prikazani rezultati predikcije sustava te korisničkog sučelja i načina korištenja. Zaključnom raspravom navedene su kvalitete dobivenog rješenja, potencijalna poboljšanja i prijedlozi drugačijih uporaba.
Less

Abstract (english)

Machine learning models represent interesting field of research in modern technologies. Usage of this models can be found everywhere, but this paper explores usages in the field of biology, especially in prediction of species occurrences and biodiversity. Simple usage of this type of models can ease long term researches of species occurrences and biodiversity and validation of those models can reduce human errors in those researches.
Paper covers ideas and qualities of machine learning... More models, especially MAXENT (Maximum entropy) model, which showed great results regarding predictions using data about plants and animals because they are not presence/absence type of data. Problems regarding models with biological data are shown, as are examples on how one would utilize then. Later chapters cover demands of biodiversity and species occurrence prediction systems and architecture of that system is presented regarding improvements this architecture would bring.
Web api system for predicting biodiversity and plant species occurrences is presented along with data models of such system. MAXENT machine learning model is chosen for systems prediction model and validated using data from Flora Croatica Database.
Predictions given by system for few of most common plants species in Croatia are presented. Paper wraps up with description of systems user interface, usage and short discussion on quality of given solution, possible improvements and other usages.
Less

• Keywords: strojno učenje; MAXENT; predviđanje nalazišta biljnih vrsta; predviđanje biološke raznolikosti; regresijski model; klasifikacijski model; web servis; statistički model predikcije; validacija modela strojnog učenja
• Keywords (english): machine learning; MAXENT; biodiversity prediction; plant species occurrences prediction; regression models; classification models; web api; probabilistic prediction models; validation of machine learning models
• Language: croatian
• URN:NBN: urn:nbn:hr:168:295356
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2018-02-06 11:12:36