Naslov magistrskega dela: Napovedovalno vzdrževanje z Bayesovim globokim učenjem
Povzetek: V tej nalogi ocenimo uporabnost metod Bayesovega globokega učenja za ocenjevanje preostale dobe koristnosti naprav. Predlagamo metodo za vrednotenje modelov, ki temelji na simuliranem vzdrževanju naprav. Na podlagi eksperimentov z umetnimi podatki in dvema referenčnima podatkovnima množicama ugotovimo, da so Bayesovi modeli boljši kot standardni globoki modeli z enako arhitekturo. Predlagana metoda za vrednotenje je relevantna v praktičnih aplikacijah in raziskovanju, saj neposredno oceni stroške vzdrževanja in omogoča interpretabilno primerjavo modelov.
Mentor: izr. prof. dr. Erik Štrumbelj
Komisija za zagovor:
prof. dr. Peter Peer, predsednik
izr. prof. dr. Matej Kristan, član
doc. dr. Aljaž Zalar, član
Povezava do video kanala, po katerem se bo prenašal zagovor in ga bo možno spremljati, bo dodana najkasneje na dan zagovora (predvidoma 30 minut pred terminom izvedbe zagovora) na spletni strani: https://ucilnica.fri.uni-lj.si/course/view.php?id=35