1. Detekcija napak na odlitkih z globokim učenjemTomo Pšeničnik, 2022, master's thesis Abstract: Cilj magistrske naloge je preučiti detekcijo napak na odlitkih z uporabo konvolucijskih
nevronskih mrež. Predstavljena je klasifikacija slik dobrih in slabih odlitkov, ki temelji na
globokem učenju. Za učenje nevronske mreže smo uporabili obstoječo zbirko podatkov,
ki vsebuje več kot 7000 slik. Za izdelavo programa smo uporabili okolje Matlab s pomočjo
Deep learning toolbox vmesnika. Izdelali smo model konvolucijske nevronske mreže,
izvedli učenje in prikazali rezultate. V drugem delu smo rezultate želeli izboljšati, zato
smo se poslužili tehnike s prenosnim učenjem. Našim potrebam smo prilagodili obstoječo
AlexNet arhitekturo, naložili zbirko podatkov in izvedli učenje nevronske mreže. Na koncu
prikažemo rezultate kot je klasifikacijska točnost modela. Delovanje modela preizkusimo
še na testni množici slik, katere niso bile vključene v proces učenja. Keywords: Globoko učenje, detekcija napak, klasifikacija, konvolucijska nevronska
mreža, odlitek Published in DKUM: 09.12.2022; Views: 135; Downloads: 18
Full text (3,25 MB) |
2. Spremljanje obrabe rezalnega orodja z uporabo umetne inteligence : diplomsko deloAndrej Jukić, 2022, undergraduate thesis Abstract: V diplomskem delu so na začetku predstavljena obravnavana področja, kjer se teoretično spoznamo s proizvodnimi sistemi, umetno inteligenco, klasifikacijo, učnimi algoritmi, merami za ocenjevanje in z obdelovalnim postopkom rezkanja. Bistvenega pomena je področje klasifikacije in mer za ocenjevanje, zaradi tega sta ti dve področji bolj podrobno opisani. Po teoretičnem izhodišču sledi poglavje praktične izvedbe, pri katerem smo predstavljeno teorijo uresničili. V tem sklopu so opisani trije poizkusi, kjer smo preverjali zastavljene teze s pomočjo gravirnega stroja Lakos 150 in računalniškega programa Matlab, ki je podpiral strojno učenje (klasifikacijo). S poizkušanjem smo tako potrdili vse teze, dosegli večino zastavljenih ciljev, pri čemer nismo dosegli glavnega cilja dela (uspešna klasifikacija glede na status orodja) zaradi strokovne zahtevnosti področja. Keywords: umetna inteligenca, strojno učenje, klasifikacija, rezkanje Published in DKUM: 25.10.2022; Views: 84; Downloads: 12
Full text (2,03 MB) This document has many files! More... |
3. Klasifikacija glasbenega žanra glede na spektrogram zvočnega posnetka : diplomsko deloTadej Lahovnik, 2022, undergraduate thesis Abstract: V diplomskem delu smo se poglobili v izdelavo različnih tipov spektrogramov in klasifikacijo slik z uporabo konvolucijskih nevronskih mrež. Zanimalo nas je, ali je možno zanesljivo napovedati žanr zvočnega posnetka glede na spektrogram, ki mu pripada.
Tekom razvoja smo ustvarili tri različne tipe spektrogramov. Za vsak tip smo ustvarili ločen klasifikacijski model, nato pa smo iz vseh treh modelov sestavili klasifikacijski ansambel. Tako smo dobili najbolj zanesljive rezultate. Klasifikacijo smo nato ovrednotili s številnimi metrikami, kjer nas je najbolj zanimala sama točnost klasifikacije. Iz matrike zmede smo izčrpali najpogostejše napake pri klasifikaciji. Keywords: klasifikacija, spektrogram, strojno učenje, nevronske mreže, glasbeni
žanr Published in DKUM: 20.10.2022; Views: 111; Downloads: 20
Full text (1,50 MB) |
4. Sortiranje fižolovih zrn z uporabo strojnega vida : magistrsko deloSamo Šlander, 2022, master's thesis Abstract: V magistrskem delu je predstavljen projekt, ki temelji na zasnovi metode za sortiranje fižola s pomočjo strojnega vida. Njegov namen je nadomestiti ročno sortiranje. V delu je opisan tudi razvoj klasifikacijskega modela za razvrščanje slik fižola ter mehanskega koncepta. Prav tako je predstavljeno področje strojnega vida ter strojnega učenja. Na koncu pa je predstavljen nabor baze podatkov, razvrstitev slik po kategorijah z uporabo prenosnega učenja in algoritma k-najbližjih sosedov, ovrednotenje rezultatov le-teh ter koncept mehanske separacije. Keywords: strojni vid, CNN, KNN, sortiranje fižola, klasifikacija Published in DKUM: 28.06.2022; Views: 248; Downloads: 30
Full text (5,66 MB) |
5. |
6. Primerjava metod jezikovnih tehnologij za odkrivanje lažnih novic : magistrsko deloNejc Lovrenčič, 2022, master's thesis Abstract: Socialna omrežja in tradicionalni viri novic imajo velik vpliv na razmišljanje ter dejanja posameznikov v družbi. Napačna ali izmišljena dejstva in lažne novice lahko zato povzročijo veliko škodo. V sklopu magistrskega dela smo primerjali metode Naivni Bayes, logistično regresijo, nevronsko mrežo z dolgim kratkoročnim spominom in graf konvolucijsko nevronsko mrežo za odkrivanje lažnih novic. S preučitvijo sorodne literature in primerjavo metod smo ugotovili, da je težko prepoznati lažne novice zgolj s klasifikacijo besedila. Pri klasifikaciji novic na dva razreda se je najbolje izkazal logistična regresija, pri klasifikaciji na šest razredov pa nevronska mreža LSTM. Keywords: jezikovne tehnologije, nevronske mreže, lažne novice, klasifikacija besedila Published in DKUM: 11.05.2022; Views: 336; Downloads: 51
Full text (1,36 MB) |
7. |
8. Strojno učenje : s Pythonom do prvega klasifikatorjaSašo Karakatič, Iztok Fister, 2022 Abstract: Knjiga služi kot uvod v področje strojnega učenja za vse, ki imajo vsaj osnovne izkušnje s programiranjem. Pregledajo se pomembni pojmi strojnega učenja (model znanja, učna in testna množica, algoritem učenja), natančneje pa se predstavi tehnika klasifikacije in način ovrednotenja kvalitete modelov znanja klasifikacije. Spozna se algoritem klasifikacije k najbližjih sosedov in predstavi se uporaba tega algoritma – tako konceptualno kakor v programski kodi. Knjiga poda številne primere v programskem jeziku Python in okolju Jupyter Notebooks. Za namen utrjevanja znanja pa so ponujene naloge (tako računske, kot programerske) s podanimi rešitvami. Keywords: strojno učenje, umetna inteligenca, klasifikacija, k najbližjih sosedov, Python Published in DKUM: 27.01.2022; Views: 928; Downloads: 194
Full text (7,04 MB) This document has many files! More... |
9. Metoda prilagodljivega uglaševanja slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja : doktorska disertacijaGrega Vrbančič, 2021, doctoral dissertation 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 in DKUM: 19.10.2021; Views: 674; Downloads: 131
Full text (5,35 MB) |
10. Delno nadzorovan meta klasifikator v programskem jeziku Python : diplomsko deloIngrid Mirnik, 2021, undergraduate thesis Abstract: V zaključnem delu se ukvarjamo z razvojem delno nadzorovanega meta klasifikatorja in njegovim delovanjem. Namen zaključenega dela je predstaviti koristnost delno nadzorovane klasifikacije ter uporabo te na praktičnem primeru. Rešitev smo razvili s pomočjo programskega jezika Python in scikit-learn knjižnice. Pri preverjanju delovanja klasifikatorja smo se omejili na tri različne podatkovne množice, katerim se deleži označenih podatkov spreminjajo glede na test. Primerjali smo rezultate nadzorovanih in delno nadzorovanih klasifikatorjev, ki so se vrnili podobni. Ugotovili smo, da med rezultati nadzorovanih in delno nadzorovanih klasifikatorjev ni bistvene razlike, razen v časovni zahtevnosti, ki je občutno večja pri delno nadzorovanih klasifikatorjih. Keywords: Python, delno nadzorovana klasifikacija, strojno učenje Published in DKUM: 18.10.2021; Views: 411; Downloads: 57
Full text (2,43 MB) |