Naslov diplomskega dela: Napovedovanje kakovosti pitne vode z uporabo metod strojnega učenja

Povzetek:

Kakovost pitne vode je eden ključnih dejavnikov varovanja javnega zdravja, zato je njeno spremljanje zakonsko predpisano. V Sloveniji se izvaja redni državni monitoring, ki spremlja širok nabor mikrobioloških in kemijskih kazalcev kakovosti. Z naraščajočim obsegom zbranih meritev se odpira vprašanje, ali lahko z metodami strojnega učenja izboljšamo ali dopolnimo tradicionalno presojo skladnosti vzorcev. Namen diplomske naloge je primerjati referenčni pristop z odločitvenimi pravili in metode strojnega učenja pri napovedovanju skladnosti vzorcev pitne vode s predpisanimi kazalci kakovosti. Nalogo smo zasnovali kot binarno klasifikacijo na obsežni množici vzorcev iz slovenskega državnega monitoringa za obdobje 2019–2025. Pristope vrednotimo z metodo časovnega prečnega preverjanja Leave-One-Year-Out, izbor atributov pa opravimo z metodo SHAP. Referenčni pristop z odločitvenimi pravili smo primerjali s štirimi modeli strojnega učenja: Gradient Boosting, Random Forest, LightGBM in večplastni perceptron. Predlagamo tudi dva lastna pristopa: regulativna korekcija metolaklora za pravilno obravnavo razgradnih produktov (ESA, OXA) pri vsoti pesticidov ter dvostopenjski model za boljšo obravnavo redkih kršitev. Rezultati kažejo, da modeli strojnega učenja dosežejo primerljive rezultate z referenčnim pristopom. Predlagana regulativna korekcija metolaklora bistveno zmanjša število napak referenčnega pristopa.

Mentor: prof. dr. Zoran Bosnić

Somentor: prof. dr. Barbara Hribar Lee

Komisija za zagovor:

    - prof. dr. Miha Moškon, predsednik

    - prof. dr. Zoran Bosnić, mentor in član

    - prof. dr. Barbara Hribar Lee, somentor in član