| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 10 / 104
First pagePrevious page12345678910Next pageLast page
1.
Razvoj klasifikacijskega modela za računalniško opremo
Bojan Perko, 2021, master's thesis

Abstract: Zaključna naloga obravnava načrtovanje in razvoj celovite rešitve, ki vključuje razvoj več razrednega klasifikacijskega modela in razvoj modelov razvrščanja v skupine z uporabo strojnega učenja. Glavni namen rešitve je nadomestitev ročnega uvrščanja podatkov o računalniških izdelkih v vnaprej določene skupine izdelkov, in sicer z avtomatizirano celovito rešitvijo, katere namen je izboljšanje procesa izračuna indeksa cen življenjskih potrebščin. Izdelki, razvrščeni v skupine, so namreč osnova za zajem podatkov pri izračunu indeksa cen življenjskih potrebščin, ki se uporablja za merilo inflacije. Rešitev smo razvili po metodologiji CRISP-DM, z uporabo različnih tehnologij, in sicer relacijske podatkovne baze Microsoft SQL Server, ogrodja .NET Core, ogrodja ML.NET in programskega jezika C#. Rezultat zaključnega dela je celovita rešitev, ki omogoča samodejno izvajanje napovedi oziroma klasifikacije podatkov o računalniških izdelkih ter v nadaljevanju združevanje teh podatkov v homogene skupine, hkrati pa preko aplikacijskega vmesnika uporabnikom omogoča nadzor nad izvajanjem delovanja rešitve. Rešitev, ki smo jo razvili v zaključni nalogi, pripomore k bolj konsistentni, kakovostni in učinkoviti obdelavi podatkov ter s tem olajša delo pri naročniku. Možnosti nadaljnjega razvoja se kažejo v več segmentih, pri čemer je bistvenega pomena uporaba večje količine podatkov in s tem bolj natančna klasifikacija.
Keywords: strojno učenje, klasifikacija, gručenje, ML.NET, podatkovna baza
Published: 18.08.2021; Views: 150; Downloads: 16
.pdf Full text (2,09 MB)

2.
Prepoznava štetja kart pri igri blackjack z metodami strojnega učenja
Aljaž Berčič, 2021, undergraduate thesis

Abstract: V tem diplomskem delu smo raziskali igro blackjack, strategije štetja kart, strojno učenje in metode za prepoznavo igralcev, ki štejejo karte. Blackjack je ena izmed najstarejših in najbolj priljubljenih igralniških iger s kartami na svetu. Pravila igre so se skozi čas zelo spreminjala, eden izmed razlogov zato pa je prav gotovo strategija štetja kart in njen razvoj. V diplomskem delu smo tako preverili različno literaturo o igri blackjack in vplivu različnih pravil na samo igro. Raziskali smo različne strategije štetja kart in njihov razvoj. Zaradi hitrega razvoja tehnologije in mobilnih aplikacij je postalo štetje kart dostopno in mnogo lažje za povprečnega igralca. Preverili smo, kako so se igralnice soočile s tem izzivom, saj so vstopali številni igralci, ki so bili opremljenih z znanjem štetja kart. Z uporabo zahtevnejših aplikacij kot je CVCX smo tudi matematično preverili, kako štetje kart, natančneje strategija Hi-Lo, ki je zelo preprosta in popularna, vpliva na igralnice ter koliko lahko igralec, ki šteje karte igralnico oškoduje. Zaradi pomanjkanja raziskav na področju prepoznave igralcev, ki štejejo karte, smo se odločili, da z uporabo metod strojnega učenja – natančneje odločitvenega drevesa, poskušamo identificirati igralce, ki štejejo karte. Zato smo v diplomskem delu natančneje raziskali strojno učenje, algoritme in metode, ki se pri strojnem učenju uporabljajo ter jih uspešno uporabili pri igri blackjack. Odgovorili smo na raziskovalno vprašanje, ali lahko z metodami strojnega učenja prepoznamo igralce, ki štejejo karte. Rezultati so nam pokazali, da jih lahko uspešno prepoznamo. Uspešnost je bila v primeru, ko gledamo samo igralca, ki šteje karte, več kot 80 %. Vendar smo se pri rezultatih soočili z omejitvami, saj smo veliko število osnovnih igralcev napačno klasificirali kot igralca, ki šteje karte. To nas je pripeljalo do zaključkov, da program še ni popoln in je mogočih še veliko nadgradenj saj ne želimo osnovnih igralcev, ki so igralnicam glavni vir prihodka, odsloviti iz igralnice.
Keywords: diplomske naloge, blackjack, štetje kart, strojno učenje, odločitvena drevesa, prepoznava
Published: 09.08.2021; Views: 166; Downloads: 57
.pdf Full text (1,52 MB)
This document has many files! More...

3.
Napovedovanje verjetnosti neplačila z nevronskimi mrežami
Urban Rajter, 2021, master's thesis

Abstract: Umetna inteligenca se nanaša na teorijo in razvoj računalniških sistemov, ki lahko opravljajo naloge, ki običajno zahtevajo človeško inteligenco. Podskupina strojnega učenja je globoko učenje, kjer se umetne nevronske mreže, algoritmi, ki jih navdihujejo človeški možgani, učijo iz velikih količin podatkov. Podobno, kot se ljudje učimo iz izkušenj, bi algoritem globokega učenja večkrat ponovil isto nalogo in jo vsakič nekoliko prilagodil, da bi izboljšal rezultat. V tej magistrski nalogi so predstavljene nevronske mreže, tipi nevronskih mrež in njihova uporaba. Podrobneje je opisana uporaba nevronskih mrež za namene napovedovanja verjetnosti neplačila. Uporabljen je model globoke nevronske mreže na anonimiziranih podatkih podjetja. Opisan je postopek priprave podatkov in postopek učenja modela na vhodnih podatkih. Analiza končnega rezultata pove, da je uporaba nevronskih mrež smiselna, saj algoritem nudi visoko natančnost.
Keywords: strojno učenje, nevronske mreže, globoko učenje, globoke nevronske mreže, kreditno tveganje
Published: 02.08.2021; Views: 137; Downloads: 18
.pdf Full text (1,95 MB)

4.
Okrepitveno učenje agentov za igranje iger v pogonu Unity
Jan Banko, 2021, master's thesis

Abstract: V magistrskem delu obravnavamo algoritme okrepitvenega učenja na primeru igranja računalniških iger. Namen magistrskega dela je implementacija igre v okolju Unity in analiza učinkovitosti algoritmov okrepitvenega učenja računalniškega igralca. Opisane so teoretične osnove okrepitvenega učenja, podrobneje pa so predstavljeni algoritmi PPO (angl. Proximal Policy Optimization), SAC (angl. Soft Actor Critic) in DQN (angl. Deep Q-Network), ki so uporabljeni v končni analizi. Rezultati so pokazali, da je bilo učenje agenta v celoti gledano uspešno. V testnem okolju se je najbolje odrezal algoritem PPO, z uporabo katerega je naučen agent v povprečju dosegal 86,4% maksimalne možne nagrade, najslabše pa algoritem DQN, ki ni primeren za uporabo v implementiranem testnem okolju.
Keywords: okrepitveno učenje, računalniške igre, Unity, agent, strojno učenje
Published: 17.06.2021; Views: 130; Downloads: 30
.pdf Full text (1,04 MB)

5.
Avtomatizirano trgovanje z uporabo pametnega predikcijskega modela
Luka Štrakl, 2021, master's thesis

Abstract: V magistrskem delu je opisano področje avtomatiziranega trgovanja z algoritmičnim pristopom, ki temelji na odločitvah napovednih modelov, katerih znanje je pridobljeno s pomočjo strojnega učenja. Opisane je delo z podatki, metode strojnega učenja in izdelava napovednih modelov v programskem jeziku Python. Poudarek je na pridobivanju, manipulaciji in uporabi vhodnih podatkov, ter optimizaciji napovednega modela za dosego boljših odločitev na še ne videnih podatkih. V sklopu magistrske naloge smo izdelali programsko opremo algoritmične narave, ki uporablja sožitje pogojev, ki jih trgovalni instrument mora zadovoljiti, ter odločitve dveh napovednih modelov za odpiranje ali zapiranje trgovalnih pozicij.
Keywords: Trgovanje, Forex, delnice, strojno učenje, napovedni model
Published: 13.05.2021; Views: 120; Downloads: 35
.pdf Full text (3,75 MB)

6.
Ogrodje NiaAML za samodejno strojno učenje
Luka Pečnik, 2021, master's thesis

Abstract: V magistrskem delu smo raziskali področje samodejnega strojnega učenja in natančneje metodo za samodejno strojno učenje, imenovano NiaAML. Osredotočili smo se predvsem na iskanje klasifikacijskih cevovodov s pomočjo stohastičnih populacijskih algoritmov po vzorih iz narave. S pomočjo programskega jezika Python in knjižnic, ki jih ponuja, smo razvili istoimensko ogrodje za samodejno strojno učenje NiaAML, namenjeno iskanju in optimizaciji klasifikacijskih cevovodov. V ogrodju smo metodo NiaAML poskusili še izboljšati, nato pa smo primerjali rezultate med originalno in spremenjeno metodo NiaAML.
Keywords: algoritmi po vzorih iz narave, klasifikacijski cevovodi, samodejno strojno učenje
Published: 17.02.2021; Views: 305; Downloads: 97
.pdf Full text (885,17 KB)

7.
Razvoj metodologije za avtomatično klasifikacijo elektronskih publikacij v univerzalno decimalno klasifikacijo – udk24112018
Matjaž Kragelj, 2019, doctoral dissertation

Abstract: Čeprav so znanstveni in strokovni članki večinoma bibliografsko obdelani in imajo zapis v knjižničnem katalogu COBIB, ter s tem definiranega enega ali več vrstilcev iz sistema Univerzalne decimalne klasifikacije (UDK), je večina člankov, dostopnih prek portala Digitalne knjižnice Slovenije, predvsem s področja kulture (starejši članki iz revij in časopisov), ki takšnega zapisa nimajo. Na spletnem mestu Digitalne knjižnice Slovenije je mogoče preiskovanje dokumentov zgolj po polnem besedilu. To je trenutno najboljše orodje za preiskovanje starejših besedil, a uporaba in preiskovanja publikacij na tak način, zaradi pomanjkljivosti (slabša kvaliteta razpoznave besedila v časopisih in revijah starejšega tipa, uporaba stare slovenščine, itd.) in prevelikega števila vrnjenih zadetkov pri iskanju, ne nudi sodobne uporabniške izkušnje in uporabniku otežuje delo. Osnovni problem, ki ga naslavljamo v disertaciji je pomoč pri bibliografski obdelavi besedil, ki je še vedno v rokah človeških ekspertov. Izhajamo iz teze, da je s pomočjo metod strojnega učenja možno avtomatsko klasificirati besedila v ustrezen UDK vrstilec in s tem podpreti človeka pri bibliografski obdelavi zapisov. V ta namen smo po pristopu načrtovanja in razvoja razvili klasifikacijski model, ki smo ga uporabili za klasificiranje starih besedil, ki so bila doslej klasificirana večinoma zgolj posredno, preko klasifikacije celotne revije oz. časopisa, kot na primer "Časopisi. Tisk. Novinarstvo". V disertaciji smo razvili klasifikacijski model s pomočjo metod strojnega učenja, s katerimi smo uspeli avtomatsko klasificirati kakršnokoli besedilo s pomočjo Univerzalne decimalne klasifikacije. Med tehnikami strojnega učenja smo se poslužili nenadzorovanega in nadzorovanega učenja. V prvem koraku smo nad manjšo množico podatkov (900 člankov) nenadzorovano učenje uporabili za preverjanje sorodnosti med dodeljenimi UDK vrstilci s strani bibliotekarjev in izgrajenimi gručami s strani algoritma. V drugem koraku smo nad celotnim korpusom znanstvenega časopisja Digitalne knjižnice Slovenije (več kot 70.000 znanstvenih besedil) razvili klasifikacijske modele, kjer je bilo razmerje učne in testne množice je bilo 80/20 odstotkov. Ko smo potrdili uspešnost klasifikacijskih modelov nad znanstvenimi besedili, smo jih uporabili za klasifikacijo več kot 200.000 starejših besedil. Uporabili smo Naivni Bayesov klasifikator, Metodo podpornih vektorjev, Večslojni perceptron, Logistično regresijo in algoritem k najbližjih sosedov. Ustreznost klasifikacije starih besedil smo preverili s človeškimi eksperti – bibliotekarji. Potrdili smo domnevo, da lahko s pomočjo znanstvenih in strokovnih člankov, klasificiranih v UDK, v vsaj 80% primerov ponudimo avtomatsko določene UDK vrstilce za starejše gradivo, ki ni bibliotekarsko obdelano. Poudariti velja, da gre pri tem delu za človeško odločitev, testiranje s človeškimi eksperti, za oceno in presojo, ki lahko variira od odločevalca do odločevalca. Poleg oplemenitenja starejših besedil iz osemnajstega, devetnajstega in prve polovice dvajsetega stoletja s vsebinskimi oznakami UDK vrstilcev, ima raziskava praktično moč v vsakodnevni rabi. Z gledišča podpore avtomatske klasifikacije publikacij pri vsakodnevnem delu bibliotekarjev, vidimo moč implementacije raziskave v informacijski sistem, ki je bibliotekarju sposoben v realnem času ponuditi izračunane predloge za določitev primernih klasifikatorjev publikacije, ki jo obdeluje. Bibliotekar lahko pridobi s strani stroja "drugo mnenje" pri procesu dodeljevanja UDK vrstilcev publikaciji, ki jo obdeluje. Hkrati je metodologija lahko uporabljena na različnih področjih in podatkovnih bazah ter klasifikacijskih sistemih, ne zgolj za dodeljevanje UDK vrstilcev.
Keywords: Umetna inteligenca, strojno učenje, podatkovno rudarjenje, Univerzalna decimalna klasifikacija, klasifikacija besedil
Published: 03.02.2021; Views: 220; Downloads: 31
.pdf Full text (4,35 MB)

8.
Ocenjevanje zaupanja v globokih nevronskih mrežah
Daniel Hari, 2020, master's thesis

Abstract: V magistrskem delu so predstavljeni pristopi ocenjevanja zaupanja v globokih nevronskih mrežah na primeru razpoznave števk. Ti pristopi nam omogočajo izboljšavo kakovosti razpoznave števk, s čimer se približamo natančnosti človeka, ki za bazo MNIST znaša 97,5–98 %. V delu se bomo osredotočili predvsem na dva pristopa, in sicer z Bayesovim učenjem in vzorčenjem z izpustnimi sloji. Bayesovo učenje je matematično bolj zahteven postopek, saj deluje tako, da vsak vhodni podatek v nevronsko mrežo obravnavamo kot porazdelitev verjetnosti in ne kot deterministično določeno vrednost. Pri tehniki vzorčenja z izpustnimi sloji je za vsakim skritim slojem mreže dodan stohastični izpustni sloj, tako da lahko na izhod iz modela gledamo kot na naključni vzorec, ki je ustvarjen iz aposteriorne porazdelitve. Takšen postopek je sicer računsko manj zahteven, daje pa podoben rezultat. Magistrsko delo je sestavljeno iz teoretičnega in eksperimentalnega dela. V teoretičnem delu so predstavljeni pojmi, kot so umetna inteligenca in sestava nevronske mreže ter podroben opis Bayesovega učenja in vzorčenja z izpustnimi sloji. V eksperimentalnem delu so prikazani pristopi razpoznave števk z Bayesovim učenjem in pristopi, ki uporabljajo tehnike vzorčenja z izpustnimi sloji. Podana je tudi primerjava postopkov.
Keywords: umetna inteligenca, Bayesov pristop, izpustni sloji, strojno učenje.
Published: 29.01.2021; Views: 189; Downloads: 53
.pdf Full text (2,94 MB)

9.
Razpoznavanje človeških emocij na digitalnih posnetkih s pomočjo konvolucijskih nevronskih mrež
Aleš Pernat, 2020, master's thesis

Abstract: V magistrskem delu smo se ukvarjali z razvrščanjem šestih osnovnih človeških emocij in nevtralnega izraza s pomočjo digitalnih posnetkov in konvolucijskih nevronskih mrež. Pregledali smo področje razpoznavanja človeških emocij in natančno preučili konvolucijske nevronske mreže. Implementirali smo več modelov sodobnih konvolucijskih nevronskih mrež, ob tem pa razvili tudi lastne modele. Uporabili smo knjižnico Tensorflow in programski jezik Python. Naše predlagane rešitve smo preizkusili na prosto dostopnih podatkovnih zbirkah CK+, MMI in JAFFE. Slike iz podatkovnih zbirk smo obogatili z zrcaljenjem in rotiranjem, tako da smo dobili večjo količino podatkov. Za validiranje smo uporabili pristop, neodvisen od subjekta, in petkratno navzkrižno validacijo. Najboljši rezultati razvrščanja z našimi predlaganimi metodami so bili 91,65 % na zbirki CK+, 59,08 % na zbirki MMI in 67,86 % na zbirki JAFFE. Rezultati na zbirki CK+ so primerljivi z rezultati sorodnih del, na preostalih dveh zbirkah pa je uspešnost razvrščanja z našimi pristopi bistveno slabša od rezultatov sorodnih del.
Keywords: človeške emocije, konvolucijske nevronske mreže, digitalne slike, strojno učenje
Published: 04.01.2021; Views: 166; Downloads: 33
.pdf Full text (1,30 MB)

10.
Strojno učenje za podporo bolj učinkovitega postopka diagnoze bolezni
Jure Kučer, 2020, master's thesis

Abstract: Razširjenost trenda masovnega hranjenja podatkov na različnih področjih znanosti omogoča vse naprednejšo uporabo metod strojnega učenja za iskanje novega znanja. Magistrsko delo zajema predstavitev osnovnih konceptov in tehnik za obdelavo podatkov, obravnavo manjkajočih vrednosti in končno uporabo pri učenju popularnejših algoritmov strojnega učenja z namenom klasifikacije laboratorijskih meritev pacientov. Primerjani sta uspešnost klasifikacijskih modelov naivni Bayes, k-najbližjih sosedov, odločitveno drevo, metoda podpornih vektorjev, naključni gozd, nevronska mreža, Adaboost in Adabagg ter vpliv metod podvzorčenja, nadvzorčenja in SMOTE za balansiranje učnih podatkov. Implementiran je tudi grafični vmesnik za vnos meritev, klasifikacijo, pregled rezultatov in pomembnosti lastnosti.
Keywords: strojno učenje, diagnoza bolezni, klasifikacija, diabetes
Published: 04.01.2021; Views: 158; Downloads: 33
.pdf Full text (2,18 MB)

Search done in 0.16 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica