Strojno učenje i modeliranje u doradi i skladištenju poljoprivrednih proizvoda (281891)
Course description
Predmet obuhvaća pregled ključnih procesa i tehnologija dorade i skladištenja poljoprivrednih proizvoda nakon primarne proizvodnje, s naglaskom na fizikalna, kemijska i tehnološka svojstva zrna i biomase. Osim laboratorijskih analiza primarnih proizvoda i ostataka, predmet uvodi osnovne pojmove strojnog učenja i modeliranja s fokusom na primjenu umjetnih neuronskih mreža u optimizaciji posliježetvenih procesa. Posebna pažnja posvećena je razvoju i treniranju umjetnih neuronskih mreža za precizno predviđanje potrošnje energije u procesu sušenja, kao i usporedbi modeliranih i eksperimentalnih podataka. Uz to, obrađuju se metode prikupljanja, obrade i analize podataka te razvoj prediktivnih i regresijskih modela, uključujući pregled najvažnijih regresijskih modela strojnog učenja koji podupiru učinkovitost dorade i skladištenja poljoprivrednih proizvoda.
Type of course
- Diplomski studij / Poljoprivredna tehnika / Mehanizacija (Elective course, 2 semester, 1 year)
ECTS: 6.00
English language: L1
Teaching hours: 60
Lectures: 44
Auditory exercises: 12
Seminar: 4
Lecturer
Associate teacher for exercises
Associate teacher for seminars
Grading
Sufficient (2): 60-70 %
Good (3): 71-80 %
Very good (4): 81 – 90 %
Excellent (5): 91-100 %
Conditions for obtaining signature
Pohađanje nastave (predvanja + vježbe)
Description
Studenti se na početku svakog predavanja potpisuju, povremeno se provjerava prisutnost prozivanje. U slučaju izostanka više od 3 puta, nadoknada se može obaviti dodatnim seminarskim radom.
General competencies
Razumijevanje ključnih procesa i tehnologija dorade i skladištenja poljoprivrednih proizvoda nakon primarne proizvodnje.
Sposobnost analize fizikalnih, kemijskih i tehnoloških svojstava zrna i biomase.
Znanje o laboratorijskim metodama analize primarnih proizvoda i biomase.
Razumijevanje osnovnih pojmova strojnog učenja i modeliranja te njihova primjena u poljoprivredi.
Sposobnost prikupljanja, obrade i analize podataka u doradi i skladištenju.
Razvijanje i treniranje umjetnih neuronskih mreža za optimizaciju procesa.
Primjena matematičkih i regresijskih modela za predviđanje i optimizaciju posliježetvenih procesa.
Kritički pristup usporedbi modeliranih i eksperimentalnih rezultata.
Types of instruction
- Predavanja
Na predavanjima će se učiti o osnovama strojnog učenja i njegovoj primjeni u optimizaciji posliježetvenih procesa, uključujući prikupljanje i analizu podataka te razvoj i treniranje umjetnih neuronskih mreža za poboljšanje dorade i skladištenja poljoprivrednih proizvoda. - Auditorne vježbe
Na vježbama će studenti primjenjivati matematičke metode za usporedbu podataka, razvijati i trenirati neuronske mreže za predviđanje potrošnje energije pri sušenju te proučavati osnovne regresijske modele strojnog učenja. - Terenske vježbe
Izvode se u sklopu posjeta procesnim postrojenjima. - Seminari
Seminar - stjecanje vještina – skupine (3 studenta) samostalno izrađuju i prezentiraju predavanje vezano uz posliježetvene procese i primjenu strojnog učenja
Learning outcomes
| Learning outcome | Evaluation methods |
|---|---|
| Razumjeti temeljne principe dorade i skladištenja poljoprivrednih proizvoda | Sudjelovanje u raspravama, radni zadaci tijekom nastave – seminarski rad, pismeni ispit, usmeni ispit |
| Objasniti temeljne principe strojnog učenja i njihovu primjenu u analizi dorade i skladištenja | Sudjelovanje u raspravama, radni zadaci tijekom nastave – seminarski rad, pismeni ispit, usmeni ispit |
| Identificirati ključne parametre dorade i skladištenja poljoprivrednih proizvoda i koristiti računalne metode za njihovu optimizaciju | Sudjelovanje u raspravama, radni zadaci tijekom nastave – seminarski rad, pismeni ispit, usmeni ispit |
| Primjeniti metode strojnog učenja za analizu podataka dobivenih tijekom sušenja i skladištenja poljoprivrednih proizvoda | Sudjelovanje u raspravama, radni zadaci tijekom nastave – seminarski rad, pismeni ispit, usmeni ispit |
| Razumjeti osnove korištenja specijaliziranih softvera za izradu prediktivnih modela u doradi i skladištenju poljoprivrednih proizvoda. | Sudjelovanje u raspravama, radni zadaci tijekom nastave – seminarski rad, pismeni ispit, usmeni ispit |
| Razviti i validirati modele strojnog učenja za poboljšanje učinkovitosti dorade i skladištenja | Sudjelovanje u raspravama, radni zadaci tijekom nastave – seminarski rad, pismeni ispit, usmeni ispit |
| Evaluirati točnost i pouzdanost razvijenih modela strojnog učenja u usporedi s eksperimentalnim podacima | Sudjelovanje u raspravama, radni zadaci tijekom nastave – seminarski rad, pismeni ispit, usmeni ispit |
| Kritički interpretirati rezultate modeliranja i formulirati zaključke | Sudjelovanje u raspravama, radni zadaci tijekom nastave – seminarski rad, pismeni ispit, usmeni ispit |
Working methods
Teachers' obligations
Nastavnik predaje gradivo predviđeno sadržajem predmeta, provjerava naučeno gradivo i vrednuje usvojeno znanje i stečene vještine kroz seminarske radove, vježbe, pismeni i usmeni ispit.
Students' obligations
Student/ica mora posjedovati osnovna znanja o primjeni računalnih programa MS office i imati visoku razinu znanja engleskog jezika.
Methods of grading
| Evaluation elements | Maximum points or Share in evaluation | Grade rating scale | Grade | Direct teaching hours | Total number of average student workload | ECTS |
|---|---|---|---|---|---|---|
| Pismeni i usmeni ispiti | 90% |
<60% 60 - 70% 71 - 80% 81 - 90% 91 - 100% |
Insufficient (1) Sufficient (2) Good (3) Very good (4) Excellent (5) |
50 | 150 | 5 |
| Evaluation elements | Maximum points or Share in evaluation | Grade rating scale | Grade | Direct teaching hours | Total number of average student workload | ECTS |
|---|---|---|---|---|---|---|
| Seminarski rad (S) (priprema+prezentacija) | 10% |
<60% 60-70% 60-70% 81-90% 91-100% |
Insufficient (1) Sufficient (2) Good (3) Very good (4) Excellent (5) |
10 | 30 | 1 |
Weekly class schedule
- Uvod u posliježetvene procese u poljoprivredi P- Pregled ključnih procesa i tehnologija dorade i skladištenja poljoprivrednih proizvoda nakon primarne proizvodnje
- Svojstva zrna i biomase P - Analiza fizikalnih, kemijskih i tehnoloških svojstava zrna i biomase s ciljem očuvanja kvalitete i sprječavanja gubitaka
- Laboratorijska analiza zrna P - Pregled laboratorijskih analiza primarnih proizvoda
- Laboratorijska analiza biomase P - Pregled laboratorijskih analiza ostataka
- Uvod u strojno učenje i modeliranje P - Osnovni pojmovi strojnog učenja, vrste algoritama i primjena u doradi i skladištenju poljoprivrednih proizvoda
- Prikupljanje podataka u doradi i skladištenju poljoprivrednih proizvoda P - Metode mjerenja, prikupljanja i digitalizacije podataka
- Obrada i analiza podataka - Analiza podataka dobivenih u laboratorijskim uvjetima
- Optimizacija posliježetvenih procesa pomoću metoda strojnog učenja P - Primjena algoritama za optimizaciju parametara u skladištenju i sušenju poljoprivrednih proizvoda
- Osnove modeliranja posliježetvenih procesa P - Matematički modeli i modeliranje u doradi i skladištenju
- Razvoj prediktivnih modela za procjenu i optimizaciju posliježetvenih procesa P - Osnovne metode razvoja, validacije regresijskih nelinearnih modela
- Modeliranje i analiza rezultata procesa u doradi i skladištenju V - Primjena matematičkih metoda u usporedbi modeliranih i eksperimentalnih podataka
- Razvoj i treniranje modela umjetnih neuronskih mreža za predviđanje potrošnje energije pri sušenju V - Razvoj regresijskih modela umjetnih neuronskih mreža u svrhu modeliranja i procjene izlaznih vrijednosti potrošnje energije u procesu sušenja.
- Pregled najvažnijih regresijskih modela strojnog učenja V - Pregled, opis i arihtektura osnovnih modela strojnog učenja i modela za regresiju: polinoma višeg stupnja, modela potpornih vektora, modela nasumičnih šuma za regresiju.
- Seminar S - Teme seminara prema dogovoru sa svakim studentom
- Završna provjera znanja i priprema za polaganje ispita P - Ponavljanje ključnih koncepata i primjena stečenog znanja