| | 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 - 4 / 4
First pagePrevious page1Next pageLast page
1.
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: 307; Downloads: 99
.pdf Full text (885,17 KB)

2.
Algoritmi po vzorih iz narave za razbijanje gesel
Urška Nemet, 2020, master's thesis

Abstract: Magistrsko delo obravnava kriptoanalizo Vigènerove šifre z algoritmom diferencialne evolucije in algoritmom kresnic, ki se uvrščata med algoritme po vzorih iz narave. V magistrskem delu opisujemo kriptoanalizo, Vigènerovo šifro, algoritme po vzorih iz narave ter metodo za kriptoanalizo, ki smo jo predlagali v magistrskem delu. Ugotovili smo, da sta algoritem diferencialne evolucije in algoritem kresnic primerna za kriptoanalizo Vigenèrove šifre. Rezultati so pokazali, da je algoritem diferencialne evolucije uspešnejši od algoritma kresnic. Ugotovili smo tudi, da se uspešnost kriptoanalize zmanjšuje z večanjem dolžine ključa.
Keywords: algoritmi po vzorih iz narave, kriptoanaliza, Vigenèrova šifra
Published: 03.07.2020; Views: 226; Downloads: 57
.pdf Full text (713,45 KB)

3.
Razvoj ON-LINE algoritmov vodenja za robotske sisteme
Primož Bencak, 2019, master's thesis

Abstract: Tehnološki razvoj zadnjih desetletij na področju robotike omogoča izjemne natančnosti robotskih mehanizmov. Vendar cena za vodenje takšnih mehanizmov ni majhna – zato so potrebne dodatne mehanske rešitve, ki sicer poenostavljajo vodenje, vendar nas v marsičem omejujejo. V tej magistrski nalogi se posvečamo nelinearnim regulacijam, s katerimi vodimo regulirani sistem na osnovi modela sprotno (angl. on-line). S pomočjo algoritmov računske inteligence aproksimiramo ta sistem v realnem času in na podlagi teh na modelu generiramo testne rešitve. Najboljše rešitve uporabimo kot vhod v regulirani sistem. Pozornost posvetimo izboljšavam obstoječega naprednega algoritma vodenja na osnovi modela. Tehnološki razvoj zadnjih desetletij na področju robotike omogoča izjemne natančnosti robotskih mehanizmov. Vendar cena za vodenje takšnih mehanizmov ni majhna – zato so potrebne dodatne mehanske rešitve, ki sicer poenostavljajo vodenje, vendar nas v marsičem omejujejo. V tej magistrski nalogi se posvečamo nelinearnim regulacijam, s katerimi vodimo regulirani sistem na osnovi modela sprotno (angl. on-line). S pomočjo algoritmov računske inteligence aproksimiramo ta sistem v realnem času in na podlagi teh na modelu generiramo testne rešitve. Najboljše rešitve uporabimo kot vhod v regulirani sistem. Pozornost posvetimo izboljšavam obstoječega naprednega algoritma vodenja na osnovi modela.
Keywords: on-line vodenje na osnovi modela, nelinearne regulacije, optimizacijski algoritmi po vzorih iz narave, vodenje robotskih mehanizmov, digitalni signalni krmilnik
Published: 10.09.2019; Views: 482; Downloads: 102
.pdf Full text (18,13 MB)

4.
Avtomatsko načrtovanje in vrednotenje klasifikacijskih cevovodov v bioinformatiki
Iztok Fister, 2019, master's thesis

Abstract: Izhodišča in namen: Velikokrat na bioinformatskih podatkih izvajamo klasifikacijo, tj. razvrščanje elementov, predstavljenih z značilnicami, v enega od vnaprej določenih razredov. Sam postopek klasifikacije je zelo kompleksen, saj sestoji iz preprocesiranja podatkov, izbire klasifikatorske metode in optimizacije hiperparametrov. Zaradi kompleksnosti vse tri omenjene korake združujemo v t. i. klasifikacijske cevovode, katere morajo uporabniki, ki niso specialisti na področju strojnega učenja, načrtovati ročno. Ta postopek je časovno zelo zapleten, v določenih primerih pa se ne uspemo približati optimalni rešitvi. Raziskovalna metodologija: Avtomatski razvoj in vrednotenje klasifikacijskih cevovodov smo donedavno reševali s pomočjo genetskega programiranja (angl. Genetic Programming, krajše GP), kjer posameznike predstavimo z drevesnimi strukturami. V tem magistrskem delu predlagamo novo rešitev za reševanje omenjenega problema s pomočjo stohastičnih populacijskih algoritmov po vzorih iz narave, kjer so posamezniki predstavljeni kot vektorji realnih števil. Rezultati: Rezultati na bioinformatskih podatkovnih množicah dokazujejo, da so stohastični populacijski algoritmi po vzorih iz narave enostavni za uporabo in hkrati učinkoviti za avtomatski razvoj klasifikacijskih cevovodov. Diskusija in zaključek: Ugotavljamo, da predlagana metoda omogoča uporabo poljubnega stohastičnega populacijskega algoritma po vzorih iz narave za avtomatsko načrtovanje klasifikacijskih cevovodov, kjer so posamezniki predstavljeni kot vektorji realnih števil.
Keywords: algoritmi po vzorih iz narave, AutoML, diferencialna evolucija, klasifikacija, optimizacija
Published: 16.08.2019; Views: 592; Downloads: 137
.pdf Full text (1,09 MB)

Search done in 0.14 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica