<p>The topic of the research in this dissertation is the application of machine<br />learning in solving problems characteristic to biosystems, with special<br />emphasis on agriculture. Firstly, an innovative regression algorithm based on<br />big data was presented, that was used for yield prediction. The predictions<br />were then used as an input for the improved portfolio optimisation algorithm,<br />so that appropriate soybean varieties could be selected for fields with<br />distinctive parameters. Lastly, a multi-objective optimisation problem was set<br />up and solved using a novel method for categorical evolutionary algorithm<br />based on NSGA-III.</p> / <p>Предмет истраживања докторске дисертације је примена машинског учења у решавању проблема карактеристичних за биосистемe са нагласком на пољопривреду. Најпре је представљен иновативни алгоритам за регресију који је примењен на великој количини података како би се са предиковали приноси. На основу предикција одабране су одговарајуће сорте соје за њиве са одређеним карактеристикама унапређеним алгоритмом оптимизације портфолија. Напослетку је постављен оптимизациони проблем одређивања сетвене структуре са вишеструким функцијама циља који је решен иновативном методом, категоричким еволутивним алгоритмом заснованом на NSGA-III алгоритму.</p> / <p>Predmet istraživanja doktorske disertacije je primena mašinskog učenja u rešavanju problema karakterističnih za biosisteme sa naglaskom na poljoprivredu. Najpre je predstavljen inovativni algoritam za regresiju koji je primenjen na velikoj količini podataka kako bi se sa predikovali prinosi. Na osnovu predikcija odabrane su odgovarajuće sorte soje za njive sa određenim karakteristikama unapređenim algoritmom optimizacije portfolija. Naposletku je postavljen optimizacioni problem određivanja setvene strukture sa višestrukim funkcijama cilja koji je rešen inovativnom metodom, kategoričkim evolutivnim algoritmom zasnovanom na NSGA-III algoritmu.</p>