Strojno učenje za inženirje: Koncepti, primeri in uporaba v okolju MATLAB

Avtorji

Janez Gotlih
Univerza v Mariboru, Fakulteta za strojništvo
https://orcid.org/0000-0002-3853-8522
Miran Brezočnik
Univerza v Mariboru, Fakulteta za strojništvo
DOI: https://doi.org/10.18690/um.fs.10.2025

Ključne besede:

strojno učenje, nadzorovano učenje, nenadzorovano učenje, učenje z okrepitvijo, prenosno učenje, MATLAB, inženirske aplikacije

Kratka vsebina

Skripta obravnavajo strojno učenje z vidika uporabe v inženirstvu, pri čemer temeljne koncepte povezujejo s praktičnimi primeri v okolju MATLAB. Predstavljeni so štirje temeljni pristopi strojnega učenja: nadzorovano učenje, nenadzorovano učenje, učenje z okrepitvijo in prenosno učenje. Za vsak pristop so podani temeljni koncepti, konkretni primeri uporabe ter naloge za samostojno delo. Poseben poudarek je na uporabi orodij, kot so Regression Learner, Classification Learner, Deep Network Designer in Reinforcement Learning Designer, s pomočjo katerih študenti razvijajo modele na podatkih, ki izvirajo iz realnih inženirskih primerov. Med njimi so obraba orodja, vibracije strojev, balansiranje sistemov in prepoznavanje predmetov. Skripta vključujejo tudi eksperimentalne podatkovne množice in praktične napotke za učenje, validacijo in izboljšavo modelov. Namenjena so študentom tehniških smeri ter vsem, ki želijo usvojiti uporabo metod strojnega učenja za reševanje konkretnih inženirskih problemov.

 

 

 

Prenosi

Podatki o prenosih še niso na voljo.

Biografije avtorja

Janez Gotlih, Univerza v Mariboru, Fakulteta za strojništvo

Janez Gotlih je docent na Fakulteti za strojništvo Univerze v Mariboru. Njegovo strokovno delo je usmerjeno v raziskave inteligentnih proizvodnih sistemov na področju izdelovalnih tehnologij, montaže, robotike ter uporabe optimizacijskih metod in strojnega učenja. Je avtor številnih znanstvenih, strokovnih in konferenčnih prispevkov ter aktiven sodelavec pri domačih in mednarodnih raziskovalnih in razvojnih projektih. Kot gostujoči urednik in recenzent sodeluje z uglednimi mednarodnimi znanstvenimi revijami. Svoje raziskovalno delo povezuje z industrijsko prakso in pedagoškim procesom, kjer prenaša najnovejša znanja s področja strojnega učenja in inženirske optimizacije v realne in učne primere.

Maribor, Slovenija. E-pošta: janez.gotlih@um.si

Miran Brezočnik, Univerza v Mariboru, Fakulteta za strojništvo

Miran Brezočnik je redni profesor na Fakulteti za strojništvo Univerze v Mariboru. Je avtor številnih izvirnih znanstvenih člankov, večinoma objavljenih v revijah, indeksiranih v bazi Web of Science, ter več univerzitetnih učbenikov, skript in znanstvenih monografij. Je glavni in odgovorni urednik mednarodne znanstvene revije Advances in Production Engineering & Management ter član uredniških odborov več uglednih mednarodnih znanstvenih publikacij. Njegovo znanstveno in strokovno delo obsega predvsem sodobne izdelovalne tehnologije, modeliranje in optimizacijo proizvodnje, avtomatizacijo, montažo, umetno inteligenco in strojno učenje.

Maribor, Slovenija. E-pošta: miran.brezocnik@um.si

Literatura

Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning. Springer.

Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning. MIT press.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning. Springer.

Kuhn, M., & Johnson, K. (2016). Applied predictive modeling. Springer.

MathWorks. Statistics and Machine Learning Toolbox Documentation. Dostopno 1. 10. 2025 na: https://www.mathworks.com/help/stats/

MathWorks. Deep Learning Toolbox Documentation. Dostopno 1. 10. 2025 na: https://www.mathworks.com/help/deeplearning/

MathWorks. Reinforcement Learning Toolbox Documentation. Dostopno 1. 10. 2025 na: https://www.mathworks.com/help/reinforcement-learning/

MathWorks. Transfer Learning with Deep Network Designer. Dostopno 1. 10. 2025 na: https://www.mathworks.com/help/deeplearning/ug/transfer-learning.html

MathWorks. Build Condition Model for Industrial Machinery and Manufacturing Processes. Dostopno 1. 10. 2025 na: https://www.mathworks.com/help/stats/build-condition-model-for-industrial-machinery-and-manufacturing-processes.html

MathWorks. Three-Axis Vibration Data Set for Anomaly Detection. Dostopno 1. 10. 2025 na: https://www.mathworks.com/help/predmaint/anomaly-detection.html

MathWorks. (2024). Design and Train Agent Using Reinforcement Learning Designer. Dostopno 1. 10. 2025 na: https://www.mathworks.com/help/reinforcement-learning/ug/design-dqn-using-rl-designer.html

MathWorks. Train DQN Agent to Balance Cart-Pole System. Dostopno 1. 10. 2025 na: https://www.mathworks.com/help/reinforcement-learning/ug/train-dqn-agent-to-balance-cart-pole-system.html

MathWorks. Retrain Neural Network to Classify New Images. Dostopno 1. 10. 2025 na: https://www.mathworks.com/help/deeplearning/ug/retrain-neural-network-to-classify-new-images.html

Wikipedia. Confusion matrix. Dostopno 1. 10. 2025 na: https://en.wikipedia.org/wiki/Confusion_matrix

Wikipedia. Principal component analysis. Dostopno 1. 10. 2025 na: https://en.wikipedia.org/wiki/Principal_component_analysis

Prenosi

E-knjiga (pdf)

Izdano

10.11.2025

Kategorije

Avtorske pravice (c) 2025 Univerza v Mariboru, Univerzitetna založba

Licenca

Creative Commons licenca

To delo je licencirano pod Creative Commons Priznanje avtorstva-Nekomercialno 4.0 mednarodno licenco.

Podrobnosti o monografski publikaciji

THEMA Subject Codes (93)

U, UY

ISBN-13 (15)

978-961-299-078-7

COBISS.SI ID (00)

256145411

Date of first publication (11)

10.11.2025

Kako citirati

Gotlih, J., & Brezočnik, M. (2025). Strojno učenje za inženirje: Koncepti, primeri in uporaba v okolju MATLAB. Univerzitetna založba Univerze v Mariboru. https://doi.org/10.18690/um.fs.10.2025