Search the digital library catalog

Abstract: Umetna inteligenca (angl. Artificial intelligence) postaja vse bolj dovršena in se vedno bolj uporablja v storitvah, ki jih uporabljamo vsak dan. Aplikacije, ki so se bile še pred desetletji skoraj neizvedljive, predvsem zaradi izgradnje njihove logike (samovozeča vozila, predlagane vsebine, sinteza govora …), postajajo danes izvedljive z algoritmi, ki so zmožni sami zgraditi model odločanja za podano težavo. Umetna inteligenca bo v prihodnosti poglavitno orodje, ki ga bomo uporabljali za reševanje vse bolj zahtevnih vsakodnevnih težav. Pomembno vlogo pri reševanju teh težav ima strojno učenje (angl. Machine learning), ki z globokim učenjem (angl. Deep learning) gradi globoke nevronske mreže (angl. Deep neural networks). Tovrstne mreže temeljijo na posnemanju poenostavljenega delovanja bioloških možganov in so zelo učinkovite za reševanje določenih težav, kajti same prilagajajo parametre nevronov ob učenju. Vendar pa je uspešnost učenja odvisna predvsem od tega, kako arhitekt zasnuje arhitekturo globoke nevronske mreže in kako so nastavljeni parametri mreže. S temi nastavitvami omejimo gradnjo nevronske mreže na izkušnje arhitekta, namesto da bi algoritem sam ugotovil, kakšne nastavitve so najbolj primerne za podano težavo. Znanost je za reševanje te težave začela aplicirati algoritme po vzoru iz narave (angl. Nature inspired algorithms) za izgradnjo nevronskih mrež z nevroevolucijo (angl. Neuroevolution). Proces nevroevolucije išče in optimizira ustrezno arhitekturo nevronskih mrež za reševanje specifične težave. Eden od algoritmov po vzoru iz narave so algoritmi inteligence rojev, ki s posnemanjem vedenja delcev (npr. mravelj) v naravi iščejo najboljšo možno rešitev za podano težavo. Pri nevroevoluciji je rešitev arhitektura modela nevronske mreže. Takšen proces je inovativen predvsem za težave pri izgradnji arhitekture nevronskih mrež, pri katerih poznamo le vhodne podatke (začetek) in končno stanje (cilj), ne pa procesa, ki ga moramo izvesti na naši poti. Takšen način imenujemo nenadzorovano učenje (angl. Unsupervised learning). Konkretni predstavnik takšnega nevronskega modela je avtomatski kodirnik (angl. Autoencoder), ki sprejme vhodne podatke, izvede proces in vrne izhodne podatke, cilj tega modela je, da so si vhodni in izhodni podatki čim bolj podobni, kajti zanimajo nas le koraki procesa. S tem lahko opazujemo, kako se je model naučil predelati podatke, da so si čim bolj podobni kljub izvajanju operacij nad njimi. Če pride do prevelikega odstopanja, pa lahko to ovrednotimo kot anomalijo (angl. Anomaly detection). S tem procesom učenja iskanja arhitektur nevronskih mrež lahko ustvarimo računalniške sisteme, ki delujejo tako kot živa bitja. Primer: »Kako živo bitje opredeli spremembe v okolju kot razlog za strah ali užitek?«. V magistrskem delu se bomo osredotočili na spoznavanje in implementacijo sistema za avtomatsko gradnjo arhitektur nevronskih mrež. Naš program nosi ime AutoDaedalus. Ta program temelji na uporabi inteligence rojev, s katero definiramo algoritem za odločitev komponent v nevronski mreži. Te komponente so lahko vse od tipa nevronov, strukture nivojev, aktivacijskih funkcij do dimenzije izhoda nevronov. Tip arhitekture nevronske mreže, ki jo v našem primeru gradi AutoDaedalus, je avtokoder. Ta arhitektura je prepoznana po tem, da se vhodni podatki zakodirajo v latentni prostor, nato pa dekodira nazaj v izhodne podatke. AutoDaedalus v svojem iskanju najuspešnejše arhitekture nevronskega modela uporablja matriko, kot je razlika med vhodom in izhodom. Na koncu imamo cilj, da dobimo najboljši nevronski model za rekonstrukcijo vhodnih podatkov. S tem ko se je nevronski model naučil ustrezno zakodirati in dekodirati dan tip podatkov, ga lahko uporabimo za iskanje anomalij. Razlog za to je verjetnost, da nevronski model ne bo znal ustrezno zakodirati in dekodirati tipa podatkov, za katerega ni bil naučen. V našem primeru smo nevronske modele učili na podatkih MNIST.
Keywords: iskanje arhitektur nevronske mreže, strojno učenje, inteligenca rojev
Published: 18.10.2021; Views: 67; Downloads: 14
Full text (3,18 MB)
This document has many files! More...

Abstract: Magistrsko delo temelji na obdelavi satelitskih slik in uporabi globokih konvolucijskih nevronskih mrež. V vsebini zaključnega dela je opisano raziskovalno delo s področja uporabe polarimetričnega SAR-a. Namen dela je načrtovanje in izdelovanje sistema, ki bi lahko bil sposoben obdelati satelitsko sliko tako, da se iz nje lahko določi vlažnost tal. Za ocenjevanje le-te so bile uporabljene globoke konvolucijske nevronske mreže, ki so se izkazale za zelo uporabne. V postopku izdelave so bili uporabljeni programi za obdelovanje atmosferskih slik s pomočjo polarimetrije, kot so PolSARpro in SNAP. Za nadaljnjo obdelavo slik in načrtovanje globoke konvolucijske nevronske mreže se je uporabljal programski jezik Python v okolju Visual Studio.
Keywords: Daljinsko zaznavanje, nevronske mreže, ocenjevanje vlažnosti tal, polarimetrija, PolSARpro, Python
Published: 18.10.2021; Views: 6; Downloads: 3
Full text (8,61 MB)

Abstract: Občasna neurja z močnim vetrom in točo lahko povzročijo veliko gospodarsko škodo v proizvodnih nasadih hmelja. S protitočnimi mrežami lahko v primeru neurja s točo obvarujemo nasad pred izgubo pridelka in izpolnimo dogovorjene pogodbene količine. Na kmetiji Jelen v Dobriši vasi v Savinjski dolini smo v letu 2019 izvajali poljski poskus, kjer smo preučevali vpliv protitočnih mrež na količino in kakovost pridelka hmelja (vsebnost alfa kislin). Poskus je bil zasnovan v standardnem nasadu Aurore (2,4 m medvrstne razdalje, 1 m razmak v vrsti), za oporo je bila postavljena lesena žičnica višine 7,2 m. Poskus je imel štiri obravnavanja: 1. črna mreža, 2. bela mreža, 3. modra mreža in 4. kontrola brez mreže. Zastavili smo ga v obliki naključnega bloka v šestih ponovitvah. Mreže, ki so bile nameščene nad rastlinami hmelja, niso ovirale izvedbe agrotehničnih ukrepov v nasadu. Na podlagi rezultatov sklepamo, da protitočne mreže statistično značilno ne vplivajo na količino pridelka hmelja. Pri črnih mrežah se je nakazala višja vsebnost alfa kislin v primerjavi z ostalimi barvami mrež in kontrolo.
Keywords: hmelj, protitočne mreže, senčenje, pridelek, kakovost
Published: 30.09.2021; Views: 51; Downloads: 8
Full text (1,22 MB)

Abstract: Umetna inteligenca se nanaša na teorijo in razvoj računalniških sistemov, ki lahko opravljajo naloge, ki običajno zahtevajo človeško inteligenco. Podskupina strojnega učenja je globoko učenje, kjer se umetne nevronske mreže, algoritmi, ki jih navdihujejo človeški možgani, učijo iz velikih količin podatkov. Podobno, kot se ljudje učimo iz izkušenj, bi algoritem globokega učenja večkrat ponovil isto nalogo in jo vsakič nekoliko prilagodil, da bi izboljšal rezultat. V tej magistrski nalogi so predstavljene nevronske mreže, tipi nevronskih mrež in njihova uporaba. Podrobneje je opisana uporaba nevronskih mrež za namene napovedovanja verjetnosti neplačila. Uporabljen je model globoke nevronske mreže na anonimiziranih podatkih podjetja. Opisan je postopek priprave podatkov in postopek učenja modela na vhodnih podatkih. Analiza končnega rezultata pove, da je uporaba nevronskih mrež smiselna, saj algoritem nudi visoko natančnost.
Keywords: strojno učenje, nevronske mreže, globoko učenje, globoke nevronske mreže, kreditno tveganje
Published: 02.08.2021; Views: 162; Downloads: 19
Full text (1,95 MB)

Abstract: V magistrski nalogi bomo na kratko opisali invencijo, inovacijo in trajnostni razvoj. Nato se bomo podrobneje osredotočili na inovacijske mreže, tako po svetu kot tudi v Evropi. Prav tako bomo podrobneje opisali množično zbiranje idej in množično financiranje. Predstavili bomo analizo potenciala inovacijskih mrež, množičnega zbiranja idej ter množičnega financiranja, zraven pa podali osebni komentar, kako se naj naše okolje uspešno vključi v uporabo teh metod. Ugotovili smo, da se v Evropi inovacijske mreže na področju množičnega zbiranja idej in množičnega financiranja pospešeno ustanavljajo.
Keywords: Inovacija, inovacijske mreže, množično zbiranje idej, množično financiranje
Published: 03.05.2021; Views: 144; Downloads: 36
Full text (1,76 MB)