1. Strojno učenje in obdelava naravnega jezika za pripravo analize sentimenta na spletuMatija Jerin, 2025, master's thesis Abstract: Magistrsko delo obravnava področje analize sentimenta z uporabo strojnega učenja in obdelave naravnega jezika. Namen dela je razviti model, ki bi bil sposoben analizirati sentiment besedil, pridobljenih s spletnih platform, zlasti z družbenega omrežja X (prej Twitter).
V delu smo uporabili različne metode strojnega učenja in obdelave naravnega jezika. Najprej smo podatke pridobili iz odprtih virov, jih očistili in normalizirali z metodami, kot sta lemmatizacija in tokenizacija. Pri obdelavi podatkov smo uporabili več tehnik, vključno z Bag of Words, s pozitivno/z negativno frekvenco in s TF-IDF, za kar smo uporabili Python knjižnice, kot sta NLTK in scikit-learn. Model smo učili z metodo logistične regresije, naivnega bayesa in z metodo podpornih vektorjev ter testirali njihovo natančnost s pomočjo ločenih testnih podatkov.
Rezultati kažejo, da je logistična regresija v kombinaciji z značilkami TF-IDF dosegla najvišjo natančnost pri predvidevanju sentimenta, in sicer 88,65 %, kar pomeni, da je model sposoben zanesljivo prepoznati sentiment besedil kot pozitiven ali negativen. Kljub uspehu modela obstaja potencial za nadaljnje izboljšave. Uporaba večjih in bolj raznovrstnih podatkovnih zbirk ter naprednejših tehnik globokega učenja, kot so nevronske mreže (LSTM ali BERT), bi lahko še povečala natančnost in zmogljivost modela.
Zaključki magistrskega dela potrjujejo, da je analiza sentimenta z uporabo strojnega učenja izvedljiva in uporabna v različnih okoljih. V prihodnje priporočamo implementacijo API-ja za omrežje X, kar bi omogočilo sprotno pridobivanje podatkov in avtomatizirano analizo sentimenta v realnem času. Prav tako bi lahko nadgradnja modela z globokim učenjem pripomogla k obvladovanju kompleksnejših jezikovnih struktur in kontekstov, kot sta sarkazem in večpomenskost.
Keywords: analiza sentimenta, strojno učenje, obdelava naravnega jezika
Published in DKUM: 09.04.2025; Views: 0; Downloads: 8
 Full text (4,85 MB) |
2. Primerjava algoritmov za analizo sentimenta v filmskih kritikah : magistrsko deloVirdžinija Milutinović, 2024, master's thesis Abstract: V magistrskem delu smo primerjali različne pristope za klasifikacijo sentimenta kritik
filmov. Naš cilj je bil doseči čim višjo točnost pri klasifikaciji kritik. Uporabili smo
algoritme, kot so metoda podpornih vektorjev, naključni gozdovi, naivni Bayes,
odločitvena drevesa, k-najbližjih sosedov, logistična regresija in glasovanje. Rezultate
smo merili z metriko točnosti. Ugotovili smo, da večji n-grami in algoritmi glasovanja
dosegajo najboljšo točnost. Za najhitrejšo in najbolj točno klasifikacijo priporočamo
algoritem glasovanja brez metode podpornih vektorjev, saj je bila ta najpočasnejša.
Keywords: analiza sentimenta, n-grami, algoritmi za klasifikacijo, točnost
Published in DKUM: 01.03.2024; Views: 275; Downloads: 33
Full text (2,00 MB) |
3. Interpretacija odločitev nevronske mreže z metodo lime : diplomsko deloKristijan Dajčman, 2023, undergraduate thesis Abstract: V diplomskem delu interpretiramo odločitve globokih nevronskih mrež za analizo sentimenta slovenskih in angleških besedil z metodo LIME. Nevronske mreže veljajo za črne škatle, saj je težko pojasniti njihove odločitve s samimi utežmi, kar predstavlja težave pri posvojitvi takšnih modelov v situacijah, kjer je pomembna transparentnost in zanesljivost odločitev. Problem črnih škatel lahko rešimo z metodami interpretiranja, kot je LIME, ki pojasni odločitev črne škatle z lokalnim nadomestkom. V tem delu interpretiramo napovedi treh nevronskih mrež z metodo LIME in poskušamo na podlagi interpretacij razložiti delovanje nevronskih mrež.
Keywords: LIME, razložljiva umetna inteligenca, nevronska mreža, analiza sentimenta
Published in DKUM: 21.09.2023; Views: 387; Downloads: 40
Full text (2,88 MB) |
4. Napovedni model gibanja tržnih cen s pomočjo analize sentimenta : magistrsko deloDavid Pintarič, 2022, master's thesis Abstract: Na svetu obstajajo številni trgi, kjer lahko kupci in prodajalci trgujejo s finančnimi inštrumenti. Ker se cene na trgih neprestano spreminjajo, lahko to lastnost, ki jo imenujemo nestanovitnost, izkoristimo in, če imamo pravilno napoved, ustvarimo profit. V sklopu magistrskega dela se problema pravilne napovedi lotimo z uporabo analize sentimenta in jezikovnih tehnologij. S pomočjo objav uporabnikov na socialnem omrežju Twitter izdelamo model, ki napove gibanje tržne cene kriptovalute Bitcoin. Preizkusimo več različnih algoritmov za klasifikacijo sentimenta. Najboljše rezultate dosežemo z metodo podpornih vektorjev. Ugotovimo, da sta izdelan model in analiza sentimenta uporabna za napoved tržne cene, vendar sama po sebi nista dovolj natančna, da bi ju lahko uporabili kot edini kazalnik. Oba sta bolj primerna kot del večjega sistema za podporo pri odločanju.
Keywords: procesiranje naravnega jezika, analiza sentimenta, trgovanje, napovedni model
Published in DKUM: 25.10.2022; Views: 600; Downloads: 99
Full text (5,53 MB) |
5. Zasnova in razvoj sistema za rudarjenje mnenja, s pomočjo besednih vektorjev in nevronskih mrež : magistrsko deloMiha Hozjan, 2020, master's thesis Abstract: V zadnjih letih je, predvsem s porastom socialnih medijev, analiza sentimenta postala ena izmed glavnih vej obdelave naravnega jezika. Intenzivno se uporablja na različnih področjih, med drugim tudi v političnem prostoru. V sklopu magistrske naloge smo izdelali sistem za rudarjenje mnenja, ki uspešno razvrsti komentarje, zapisane v slovenskem jeziku, v tri kategorije, in sicer pozitivne, negativne in nevtralne. Po proučitvi strokovne in znanstvene literature ter razvoju in primerjavi različnih modelov nam je uspelo pokazati, da lahko z uvedbo besednih vektorjev v kombinaciji z nevronskimi mrežami občutno izboljšamo delovanje takšnega sistema.
Keywords: analiza sentimenta, besedni vektorji, nevronske mreže, obdelava naravnega jezika
Published in DKUM: 03.11.2020; Views: 923; Downloads: 98
Full text (1,22 MB) |
