1. Funkcionalne poteze rastlinskih vrst s prehodno prisotnostjo v vegetaciji vrstno bogatih traviščAna Munda, 2021, master's thesis 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: 21; Downloads: 4
 Full text (2,73 MB) |
2. Razvoj sistema detekcije objektov za avtonomna vozila z uporabo tehnologije LiDARPeter Fekonja, 2021, master's thesis Abstract: V magistrskem delu je predstavljena uporaba LiDAR sistemov in globokega učenja v kontekstu avtonomnih vozil. Delo vključuje teoretično in eksperimentalno delo. V teoretičnem delu predstavimo aktualne rešitve za razvoj LiDAR sistemov, najpogosteje uporabljene pristope za globoko učenje in metode obdelave LiDAR točkovnih oblakov z nevronskimi mrežami. Prav tako so predstavljeni aktualni senzorski sistemi na trenutni generaciji avtonomnih vozil, podatkovne baze namenjene učenju nevronskih mrež za uporabo v avtonomnih vozilih in trenutna generacija nizkocenovnih LiDAR senzorjev. V eksperimentalnem delu naloge je podrobno predstavljena zmogljivost Livox Mid-40 LiDAR sistema ter njegova uporaba v lastni rešitvi za detekcijo objektov v prometu. Podrobno je predstavljen razvoj lastne nevronske mreže kot klasifikatorja, razvoj lastnega pristopa za lokalizacijo objektov in primerjava naših rešitev z že obstoječimi pristopi. Naš pristop k lokalizaciji objektov je dosegal boljše ali primerljive rezultate z obstoječimi metodami, v kombinaciji z našim klasifikatorjem pa bistveno slabše rezultate od trenutnih enovitih modelov nevronskih mrež s prenosom znanja.
Keywords: LiDAR, Livox Mid-40, avtonomna vozila, globoko učenje, klasifikacija, lokalizacija
Published: 01.03.2021; Views: 305; Downloads: 25
Full text (8,28 MB) |
3. Razvoj metodologije za avtomatično klasifikacijo elektronskih publikacij v univerzalno decimalno klasifikacijo – udk24112018Matjaž 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: 67; Downloads: 8
Full text (4,35 MB) |
4. Strojno učenje za podporo bolj učinkovitega postopka diagnoze bolezniJure 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: 68; Downloads: 16
Full text (2,18 MB) |
5. Klasifikacija z utežem agnostičnimi nevronskimi mrežamiMarko Mlakar, 2020, master's thesis Abstract: V magistrskem delu je predstavljena metoda iskanja utežem agnostičnih nevronskih mrež, ki temelji na genetskem algoritmu, imenovanem NeuroEvolution of Augmenting Topologies (NEAT). Evalviranje genomov z vzorčenjem uteži iz fiksne uniformne množice naključnih vrednosti minimizira pomembnost uteži, s čimer je poudarek le na optimizaciji topologije. To omogoča utežem agnostičnim nevronskim mrežam opravljanje različnih nalog brez predhodnega učenja utežnih vrednosti. Naša implementacija je bila prilagojena za povezovanje z odprtokodno knjižnico Scikit-learn, ki smo jo javno objavili v obliki PyPi paketa. V eksperimentalnem delu smo se osredotočili na primerjavo evolucijskih in utežem agnostičnih nevronskih mrež na primeru reševanja klasifikacijskih problemov. Rezultate smo evalvirali z uporabo statističnih metod, ki so pokazale, da utežem agnostične nevronske mreže proizvedejo več skritih nevronov kot evolucijske, vendar uspejo doseči primerljivo točnost zgolj s pravilno topologijo, brez optimizacije uteži.
Keywords: utežem agnostične nevronske mreže, klasifikacija, nevroevolucija, NEAT
Published: 01.12.2020; Views: 102; Downloads: 28
Full text (3,89 MB) |
6. Uporaba vektorske vgradnje za inteligentno obdelavo slovenskega besedilaUrban Strnišnik, 2020, master's thesis Abstract: V sklopu magistrske naloge smo se najprej osredotočili v problematiko pridobivanja uporabnega znanja iz nestrukturiranega besedila. Po poročilih IDC je razmerje med strukturiranimi in nestrukturiranimi podatki vsako leto večje. Načinov pridobivanja uporabnega znanja iz nestrukturiranega besedila je več, ena izmed njih so besedne vložitve oz. vektorska vgradnja. Najprej smo se posvetili pregledu tehnik besednih vložitev, kaj to je in kaj z njimi dosežemo. Ugotovili smo, da da izraz besedna vložitev stoji za določitvijo vektorske vrednosti besedi, s katero lahko izvajamo nadaljnje računske operacije. Namen magistrske naloge je bil preizkusiti nekatere algoritme vektorske vgradnje, izdelati lastne modele obdelave besedil in jih nato primerjati z nekaterimi že obstoječimi modeli. Lastne in obstoječe modele obdelave besedil smo nato preizkusili in na podlagi primerjave ugotovili prednosti in slabosti pri uporabi v določenem okolju. V sklopu učenja modelov smo se osredotočili tako v nadzorovane kot tudi v nenadzorovane tehnike učenja. Vhodni korpus podatkov smo pridobili iz pravilnikov štirinajstih slovenskih univerz in fakultet. Iz ugotovljenih rezultatov smo opravili analizo in diskusijo rezultatov, kjer smo dobili odgovore na zastavljena raziskovalna vprašanja, hipoteze pa sprejeli ali zavrnili.
Keywords: Besedne vložitve, strojno učenje, fastText, obdelava naravnega jezika, doc2vec, word2vec, klasifikacija besedila, nadzorovano učenje, nenadzorovano učenje
Published: 17.11.2020; Views: 95; Downloads: 29
Full text (3,65 MB) |
7. |
8. Analiza kazalnikov gospodarskega razvoja in kvalitete življenja v Evropski unijiLea Žižek, 2020, master's thesis Abstract: Vsako gospodarstvo se srečuje z različnimi družbenimi, gospodarskimi in okoljskimi problemi. Ti se od države do države razlikujejo in imajo različno stopnjo kompleksnosti oziroma težavnosti, kar se odraža v oteženem uresničevanju raznih dolgoročnih globalnih ciljev, ki se dandanes vse bolj osredotočajo na trajnostni vidik kot najprimernejšo pot za svetovni razvoj. Manj razvite države imajo pri doseganju teh ciljev večje težave kot razvite države. Tako se oboje ob tem srečujejo s takšnimi ali drugačnimi izzivi, s katerimi se razvitejše države zagotovo lažje spoprijemajo. Tukaj pa se pojavi vprašanje, katere države so manj oziroma bolj razvite od drugih. Za opredeljevanje gospodarskega razvoja razne organizacije v osnovi povečini uporabljajo podobne kazalnike s področja življenjskega standarda, zdravja in izobrazbe, to so na primer bruto domači proizvod, pričakovano trajanje življenja in povprečno število let izobraževanja. Na podlagi teh kazalnikov so posamezne institucije oblikovale indekse, s katerimi se enostavno izmeri gospodarski razvoj. Osnovnega je izoblikovala Organizacija združenih narodov in se imenuje indeks človekovega razvoja. V okviru te in tudi drugih organizacij so ta indeks posodabljali ter ga na različne načine nadgrajevali, na primer s prilagoditvijo neenakosti, z vključujočimi komponentami in vplivom na okolje. Izboljšane oblike slednjega so neenakosti prilagojen indeks človekovega razvoja, indeks vseobsegajočega razvoja, indeks srečnega planeta in indeks boljšega življenja. V magistrskem delu se posvetimo predstavitvi pomembnih kazalnikov gospodarskega in trajnostnega razvoja ter kvalitete življenja. V okviru tega pojasnimo tudi računanje naštetih indeksov, kjer se poleg teh lotimo tudi razlage indeksa trajnostnega razvoja, ki je relativno novejša različica in meri gospodarski razvoj s poudarkom na trajnosti. Svetovna banka, Organizacija združenih narodov in Mednarodni denarni sklad pa imajo izoblikovane klasifikacije za razvrščanje držav po razvitosti, ki omogočajo enostavno organiziranje držav v skupine za lažje opravljanje analiz. Po vzoru preučene tematike oblikujemo svoj indeks razvoja, česar se lotimo z analizo 28 držav Evropske unije po posameznih izbranih kazalnikih. Indeks razvoja na prvi pogled izgleda podoben indeksu trajnostnega razvoja, ki pa smo mu dodali za nas izredno pomembno komponento, to je subjektivno merilo splošnega zadovoljstva z življenjem. Glede na posamezne kazalnike so imele najboljše rezultate Avstrija, Švedska, Finska, Luksemburg, Danska in Irska. Obratno pa so najslabši rezultati bili v Bolgariji, na Hrvaškem, Češkem, Madžarskem, Slovaškem, Poljskem, v Italiji in Romuniji. Kasneje pa so glede na iz geometrijske sredine pridobljen indeks razvoja padle v skupino z visokim gospodarskim razvojem Švedska, Danska in Finska, v skupino z nizkim razvojem pa Bolgarija, Romunija, Italija, Nemčija, Malta, Grčija in Madžarska. Vse ostale države EU-28 pa so srednje gospodarsko razvite.
Keywords: gospodarski razvoj, kakovost življenja, trajnostni razvoj, klasifikacija za razvrščanje držav, indeks gospodarskega razvoja
Published: 25.08.2020; Views: 279; Downloads: 86
Full text (2,36 MB) |
9. S strojnim učenjem podprto odločanje v mediciniJan Jurman, 2020, master's thesis Abstract: Rast priljubljenosti strojnega učenja se izraža z njegovo uporabo v različnih domenah. V magistrskem delu je predstavljena uporaba algoritmov strojnega učenja za podporo pri odločanju v medicini. Poudarek je na klasifikaciji prisotnosti srčnih bolezni in določanju podvrst kronične ishemične srčne bolezni. Analizirana je natančnost klasifikatorjev naivni Bayes, logistična regresija, k-najbližjih sosedov, odločitveno drevo, nevronska mreža, bagging, AdaBoost in naključni gozd. Implementirana je tudi aplikacija, ki omogoča diagnosticiranje posameznika in inkrementalno izboljšavo svoje natančnosti s pomočjo dodajanja učnih vzorcev.
Keywords: strojno učenje, srčna bolezen, klasifikacija, nadzorovano učenje
Published: 03.07.2020; Views: 174; Downloads: 71
Full text (1,82 MB) |
10. Klasifikacija časovnih vrst s konvolucijskimi nevronskimi mrežamiDomen Kavran, 2020, master's thesis Abstract: V magistrskem delu predstavimo klasifikacijo časovnih vrst z uporabo konvolucijskih nevronskih mrež. Klasifikacija je izvedena nad časovno-frekvenčnimi predstavitvami časovnih vrst, ki so pridobljene z različnimi metodami časovno-frekvenčne analize. Zasnovali smo več arhitektur konvolucijskih nevronskih mrež za klasifikacijo časovnih vrst. Optimizacijski algoritmi za učenje konvolucijskih nevronskih mrež so uporabljali napredno izgubno funkcijo, imenovano žariščna izguba. Za najuspešnejšo metodo izračuna časovno-frekvenčnih predstavitev časovnih vrst se je izkazala zvezna valčna transformacija, s katero smo dosegli povprečno natančnost klasifikacije 90,07 %. Združitev različnih časovno-frekvenčnih predstavitev je izboljšala povprečno natančnost klasifikacije na 92,01 %.
Keywords: klasifikacija, globoko učenje, konvolucijske nevronske mreže, časovne vrste, časovno-frekvenčna analiza
Published: 03.07.2020; Views: 241; Downloads: 113
Full text (10,95 MB) |
