Search the digital library catalog

Abstract: V doktorski disertaciji predstavimo problematiko izbire uglaševanih slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja. Z izvedeno analizo vpliva izbire uglaševanih slojev konvolucijske nevronske mreže na uspešnost učenja potrdimo domnevo, da je primerna izbira uglaševanih slojev s ciljem doseganja visoke klasifikacijske uspešnosti odvisna od izbrane arhitekture konvolucijske nevronske mreže ter ciljnega problema oz. izbrane podatkovne zbirke. Z namenom naslovitve problema izbire uglaševanih slojev razvijemo in predlagamo prilagodljivo metodo DEFT, ki temelji na algoritmu diferencialne evolucije in deluje popolnoma samodejno, ne glede na uporabljeno arhitekturo konvolucijske nevronske mreže ali ciljni problem. Zaradi velike časovne kompleksnosti predlagane metode v nadaljevanju razvijemo in predlagamo na funkciji izgube temelječo metriko LDM, ki v zgodnji fazi učenja uspešno zaznava manj primerne izbire uglaševanih slojev, kar nam omogoča, da za zaznane manj primerne izbire uglaševanih slojev predčasno zaključimo učenje in na tak način zmanjšamo časovno zahtevnost predlagane metode. Uspešnost predlagane metode ovrednotimo z uporabo treh različnih arhitektur globokih konvolucijskih mrež nad tremi raznolikimi slikovnimi podatkovnimi zbirkami. Klasifikacijsko uspešnost predlagane metode z in brez uporabe metrike LDM smo primerjali s klasičnimi pristopi učenja globokih konvolucijskih nevronskih mrež. Primerjavo izvedemo z uporabo najpogostejših klasifikacijskih metrik, časom, potrebnim za učenje, ter porabljenim številom epoh. Rezultate smo preverili z uporabo klasičnih metod statistične analize kot tudi z naprednim pristopom Bayesove analize. Izsledki slednje so potrdili tezo, da je mogoče z uporabo metode prilagodljivega uglaševanja slojev konvolucijske nevronske mreže uspešno nasloviti problem izbire slojev ter da lahko z uporabo metrike LDM za zaznavo manj primernih izbir uglaševanih slojev učinkovito zmanjšamo število epoh, potrebnih za učenje, ob doseganju primerljivih rezultatov.
Keywords: strojno učenje, globoko učenje, učenje s prenosom znanja, klasifikacija, uglaševanje, optimizacija
Published: 19.10.2021; Views: 198; Downloads: 32
Full text (5,35 MB)

Abstract: V diplomski nalogi smo raziskali področje samodejnega strojnega učenja, osredotočili smo se na orodja za samodejno strojno učenje in poudarili njihove prednosti in slabosti na podlagi primerjave glede na različne nabore podatkov. Osredotočili smo se tudi na metodo klasifikacije, saj je to pogosta naloga strojnega učenja. Namen diplomske naloge je ugotoviti, katero orodje je najbolj optimalno za posamezno nalogo. Diplomsko nalogo smo razdelili na dva dela, in sicer teoretični del in praktični del. V teoretičnem delu smo se osredotočili na razjasnitev pojmov, zgodovino strojnega učenja in opis orodij samodejnega strojnega učenja. V praktičnem delu smo opravili primerjave med orodji in ugotovili, da le-ta vračajo podobne rezultate klasifikacije različno hitro. Ugotovili smo tudi, da so orodja namenjena uporabnikom, ki niso strokovnjaki na področju strojnega učenja, in da si orodja delijo skupne značilnosti.
Keywords: klasifikacija, strojno učenje, samodejno strojno učenje, umetna inteligenca
Published: 18.10.2021; Views: 100; Downloads: 18
Full text (1,37 MB)

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: 270; Downloads: 37
Full text (2,09 MB)

Abstract: Da bi lahko razumeli, kakšne so posledice izgube vrst v ekosistemu, moramo poznati kakšna je vloga posamezne vrste znotraj ekosistema. Eden izmed pristopov pri ugotavljanju vloge vrste v okolju je tudi model DST klasifikacije, ki smo ga uporabili v naši raziskavi. Temelji na razvrstitvi rastlinskih vrst v vegetaciji med dominantne, podrejene ali prehodne vrste, in sicer glede na njihovo relativno celokupno pokrovnost in stalnost. Prednostne vrste predstavljajo zelo majhen delež biomase v določenem habitatu, hkrati pa s poznavanjem njihovih morfološko funkcionalni potez (MFP) lahko napovedujemo, katere med njimi bodo v vegetaciji postale podrejene ali celo dominantne, v primeru, da pride do sprememb določenega okoljskega dejavnika, intenzitete motnje in/ali stresa ipd. Namen naše raziskave je bil analizirati in primerjati prehodne vrste v dveh asociacijah polnaravnih ekstenzivnih travišč: asociacije Onobrychido viciifolia-Brometeum in asociacije Scabioso hladnikianae-Caricetum humilis. Prehodnim rastlinskim vrstam smo določili prednosti habitat, indikatorske vrednosti po Ellenbergu in 13 MFP. Podatke smo analizirali z različnimi uni- in multivariatnimi metodami. Ugotovili smo, da se prehodne vrste obeh asociacij razlikujejo v naslednjih MFP: življenjski obliki, obliki rasti, višini rastlin, tipih vegetativnega razmnoževanja, vrednostih LDMC, SLA ter CSR strategijah. Razlike v lastnostnih prehodnih vrst asociacij lahko razložimo z razlikami v stičnih habitatih travišč asociacije, od koder te vrste izvirajo. Prehodne vrste obeh asociacij imajo najbolj poudarjeno kompeticijsko (C) strategijo, razlikujejo pa se v kombinaciji vpliva stresa in motnje. Iz tega lahko sklepamo, da bi se v obeh asociacijah ob spremembah, ki bi izboljšale rastne razmere (zmanjšanje motnje in/ali stresa), povečala številnost in pokrovnost tistim vrstam, ki imajo poudarjeno C – strategijo. Rezultati naše raziskave predstavljajo pomembno osnovo za morebitne prihodnje raziskave, v katerih bi povezovali specifične spremembe okolja s spremembami floristične in funkcionalne sestave obravnavanih tipov traviščne vegetacije.
Keywords: polnaravna suha travišča, DST klasifikacija, morfološko-funkcionalne poteze, CSR strategije rastlin
Published: 01.04.2021; Views: 291; Downloads: 64
Full text (2,73 MB)

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: 367; Downloads: 46
Full text (4,35 MB)