| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 10 / 73
First pagePrevious page12345678Next pageLast page
1.
UČENJE S PRENOSOM ZNANJA Z UPORABO REKURENTNIH NEVRONSKIH MREŽ ZA NAMEN NAPOVEDOVANJA CEN ŽIVIL
Jana Janković, 2024, master's thesis

Abstract: Živila so osnovne dobrine z velikim vplivom na gospodarsko in družbeno stabilnost, zato je natančno napovedovanje njihovih cen ključno. Modeli globokega učenja lahko prepoznajo kompleksne vzorce v časovnih vrstah, kot so zgodovinske cene živil. V tej raziskavi smo eksperimentalno primerjali konvencionalni pristop učenja in učenje s prenosom znanja v rekurentnih nevronskih mrežah za napovedovanje cen. Po iskanju optimalnih hiperparametrov smo modele naučili nad podatki, uporabili prenos znanja in ovrednotili oba pristopa. Na podlagi pridobljenih rezultatov smo ugotovili, da učenje s prenosom znanja bistveno pospeši proces učenja, vendar na račun slabše napovedne uspešnosti. Kljub temu pa rezultati magistrskega dela prispevajo k razumevanju, kdaj, zakaj in v kakšnih primerih je uporaba učenja s prenosom znanja smiselna izbira.
Keywords: napovedovanje cen živil, učenje s prenosom znanja, RNN, analiza časovnih vrst.
Published in DKUM: 15.01.2025; Views: 0; Downloads: 11
.pdf Full text (4,19 MB)

2.
Vključevanje orodij umetne inteligence v celovite informacijske rešitve: primer napovedovanja prodaje in zalog
Garvin Gajšek, 2024, master's thesis

Abstract: Izziv dela predstavlja integracijo celovitih informacijskih rešitev s tehnologijami umetne inteligence za napovedovanje prodaje in upravljanje zalog v podjetjih, s posebnim poudarkom na platformi Microsoft Dynamics 365 Business Central. V sodobnem poslovnem okolju predstavlja napovedovanje prodaje in zalog enega izmed ključnih elementov za ohranjanje konkurenčne prednosti podjetij. Zaradi naraščajočega pomena teh dejavnikov se vse pogosteje poslužujemo orodij umetne inteligence in strojnega učenja, ki omogočajo bolj natančne in pravočasne napovedi ter optimizacijo zalog. Ena izmed glavnih prednosti strojnega učenja je sposobnost obravnave kompleksnih podatkovnih nizov, ki vključujejo več dejavnikov ali značilk. S tem lahko izboljšamo model in natančnost napovedi, saj lahko algoritmi strojnega učenja učinkoviteje izkoristijo informacije, ki jih vsebujejo podatki. Ta pristop nam daje pomembno prednost nad konkurenco in nam omogoča, da ostajamo korak pred njo v dinamičnem poslovnem okolju. Seveda pa je ključnega pomena pravilna izbira dejavnikov, ustrezna obdelava podatkov ter izbira ustrezne metode strojnega učenja, da lahko dosežemo najboljše rezultate pri napovedovanju. Velik izziv na področju na tem področju je zato vprašanje, katere podatke in zgodovino podatkov umetna inteligenca uporablja in potrebuje za izvajanje kvalitetnih napovedi. V magistrskem delu predstavimo osnovne paradigme strojnega učenja (angl. machine learning, v nadaljevanju ML), ki so uporabljene v našem eksperimentu napovedovanja prodaje iz zalog. Opisani so elementi poteka dela ML, okvir regresijsko temelječih metod ML in ocenjevalne matrike ML. Pomemben del naloge je posvečen analizi in opisu programske kode jezika R, s katero poglobimo razumevanje delovanja modela strojnega učenja v okolju Azure Machine Learning (v nadaljevanju AML) Studio. Model strojnega učenja v AML Studio je nato objavljen kot spletna storitev, do katere dostopamo preko REST (prenos predstavitvenega stanja, angl. REpresentational State Transfer, v nadaljevanju REST) API (aplikacijski programski vmesnik, angl. Application Programming Interface, v nadaljevanju API) protokola. V nadaljevanju je opisan razvoj razširitve Business Centrala, ki predstavlja jedro izvedbe napovedovanja in integracije vtičnika strojenega učenja. Razširitev služi kot neposredni komunikator med uporabnikom in modelom strojnega učenja. Končnemu uporabniku Business centrala omogoča izvajanje funkcij učenja, ocenjevanja in napovedovanja. Magistrsko delo zaključimo z interpretacijo kvantitativnih rezultatov napovedi. Kvantitativna primerjava rezultatov različnih modelov strojenega učenja nam pokaže, da eksperiment strojnega učenja sicer izpolnjuje osnovne pogoje in procese napovedovanja, a se sooča z določenimi pomanjkljivostmi.
Keywords: umetna inteligenca, strojno učenje, celovite informacijske rešitve, napovedovanje prodaje in zalog, nadzorovano učenje.
Published in DKUM: 07.01.2025; Views: 0; Downloads: 17
.pdf Full text (2,64 MB)

3.
Razvoj napovednih modelov z uporabo strojnega učenja za zmanjšanje izmeta v proizvodnji podjetja Talum, d. d.
Alen Gojkošek, 2024, master's thesis

Abstract: Magistrsko delo se osredotoča na razvoj napovednih modelov za napovedovanje izmeta aluminijastih izdelkov v proizvodnji podjetja Talum. Raziskava vključuje analizo proizvodnega procesa, obdelavo podatkov in uporabo različnih tehnik strojnega učenja. Z uporabo metod, kot so eksplorativna analiza podatkov, inženiring značilk in k-kratno prečno preverjanje, so bili razviti in ovrednoteni modeli za napovedovanje izmeta. Rezultati kažejo na izboljšano razumevanje dejavnikov, ki vplivajo na izmet, in ponujajo priložnosti za optimizacijo proizvodnega procesa. Delo zaključujejo priporočila za implementacijo modelov in nadaljnje raziskave na tem področju.
Keywords: strojno učenje, aluminijasti ulitki, napovedovanje izmeta, optimizacija proizvodnje, analiza podatkov
Published in DKUM: 22.10.2024; Views: 0; Downloads: 19
.pdf Full text (2,61 MB)

4.
Analiza in optimizacija procesnih parametrov sušilnice za koruzo : magistrsko delo
Marko Simonič, 2024, master's thesis

Abstract: Magistrsko delo obsega opis razvoja in implementacije modela globoke nevronske mreže z LSTM arhitekturo. Model omogoča napovedovanje vlažnosti koruze na izhodu iz sušilnega sistema na podlagi meritev vlažnosti koruze na vhodu in beleženja temperaturnih parametrov med obratovanjem. Razvoj modela je vključeval temeljito analizo in preučitev posameznih temperaturnih parametrov. Pri tem smo izvedli regresijsko analizo, ki je raziskovala vpliv vhodne vlažnosti, ciljne temperature gorilnika in časa sušenja med izpusti koruze na spremembe temperaturnih parametrov v sušilnem sistemu. Poleg tega smo preučili tudi statistične vplive samih temperaturnih parametrov na vlažnost koruze na izhodu iz sušilnega sistema. Analiza nam je omogočila ustrezno pripravo podatkov za učenje napovednih modelov. Uspešnost razvitih napovednih modelov je ocenjena s povprečno absolutno napako (angl. mean absolute error – MAE), povprečno kvadratno napako (angl. mean squared error – MSE), korenom povprečne kvadratne napake (angl. root mean squared error – RMSE) in srednjo absolutno odstotkovno napako (angl. mean absolute percentage error – MAPE). Najuspešnejši model za napovedovanje vlažnosti na izhodu iz sušilnega sistema je imel na učnih podatkih odlično zmogljivost napovedovanja, saj so povprečne vrednosti MAE znašale 0,352, RMSE 0,645, MSE 0,416 in MAPE 2,555. Izvedena je bila tudi vizualizacija rezultatov za nadaljnjo analizo in interpretacijo.
Keywords: sušilni sistem, globoko učenje, LSTM, napovedovanje, optimizacija, koruza, vlaga
Published in DKUM: 28.03.2024; Views: 275; Downloads: 79
.pdf Full text (3,60 MB)

5.
Napovedovanje prodaje zdravil z uporabo naprednih metod napovedovanja časovnih vrst : magistrsko delo
Žan Pudič, 2023, master's thesis

Abstract: Magistrsko delo zajema uporabo naprednih modelov za napovedovanje prodaje zdravil. Cilj dela je s pomočjo naprednih metod napovedovanja v programskem okolju R, postaviti napovedovalne modele za posamezne skupine zdravil, ki bodo v izbranih intervalih zaupanja uspešno napovedali prihodnjo prodajo. V delu smo za potrebe napovedovanja uporabili modele kot so ARIMA, CNN, Holt-Winters pri čemer smo te primerjali z naivno metodo napovedovanj in tako ocenili njihovo sposobnost napovedovanja. Prav tako smo v delu podrobno analizirali izhode v fazi kreiranja modelov na podlagi katerih smo izvedli nadaljnjo selekcijo modelov s katerimi lahko uspešno napovemo prihodnjo prodajo. Uspešne napovedi smo izvedli pri vseh skupinah zdravil. V delu je najuspešnejšo napoved pri skupinah zdravil M01AB. M01AE, N02BA, N05C, R03 in R06 imel ARIMA model. Prodajo v skupinah zdravil N05C in N02BE pa lahko napovedujemo zgolj z uporabo CNN, saj noben izmed preostalih modelov ni uspel dovolj dobro zajeti informacij znotraj časovne vrste, da bi lahko z njim podali napoved.
Keywords: napredne metode napovedovanja, časovne vrste, napovedovanje prodaje, napovedovalni modeli, ARIMA, CNN, Holt-Winters.
Published in DKUM: 26.09.2023; Views: 436; Downloads: 71
.pdf Full text (3,58 MB)

6.
Identifikacija žensk za visokorizičen izvid po konizaciji z uporabo nevronskih mrež
Marko Mlinarič, 2023, doctoral dissertation

Abstract: Na svetu je rak materničnega vratu (RMV) četrti najpogostejši rak pri ženskah. V Sloveniji je bil pri ženskah leta 2017 na sedemnajstem mestu. Z ustreznim presejanjem, zgodnjim odkrivanjem predrakavih sprememb in njihovim zdravljenjem, ga je mogoče preprečiti. Metode umetne inteligence ('artificial intelligence – AI') bi lahko postale orodje, ki bi pripomoglo k rešitvi problema RMV. Z našo študijo smo želeli preveriti, ali lahko z umetnimi nevronskimi mrežami na podlagi dejavnikov tveganja za razvoj ploščatocelične intraepitelijske lezije (PIL) na materničnem vratu (MV) in RMV ter izvida zadnjega brisa materničnega vratu (BMV) napovemo, ali bo končni histološki izvid konusa PIL visoke stopnje (PIL-VS) oziroma RMV ali ne. Poleg nevronskih mrež smo preizkusili tudi nekatere druge klasifikacijske sisteme. Za analizo smo uporabili podatke 1475 pacientk, ki so imele narejeno konizacijo na Kliniki za ginekologijo in perinatologijo Univerzitetnega kliničnega centra Maribor v letih 1993–2005. Vse podatke smo anonimizirali. Uporabili smo metode za uravnoteženje manjšinskega in večinskega razreda. Za analizo smo oblikovali več baz, izvedli pa smo jo z odprtokodnim programskim paketom za podatkovno rudarjenje WEKA. Nevronske mreže so bile uspešnejše pri napovedovanju tveganih pacientk kot večinski algoritem. V naši študiji se je klasifikacijski algoritem Random Forest s sestavljeno metodo 'bagging' izkazal kot najuspešnejši in bi bil primeren za klinično uporabo.
Keywords: rak materničnega vratu, ploščatocelična intraepitelijska lezija visoke stopnje, umetna inteligenca, umetne nevronske mreže, napovedovanje tveganja
Published in DKUM: 24.08.2023; Views: 456; Downloads: 39
.pdf Full text (4,12 MB)

7.
Proučevanje zunanjih dejavnikov pri napovedovanju cene kriptovalut s strojnim učenjem : diplomsko delo
Jakob Cvetko, 2023, undergraduate thesis

Abstract: Zmožnost napovedovanja gibanja cene finančnih instrumentov predstavlja priložnost za visoke zaslužke. Eni izmed tehnični pristopov, ki se na področju finančnega trgovanja že dalj časa uspešno uporabljajo, so metode strojnega učenja. V diplomski nalogi smo se ukvarjali z napovedovanjem cene kriptovalute Bitcoin. Modeliranje smo začeli s pridobivanjem raznih podatkov, povezanih s ceno kriptovalute, in nato z algoritmom XGBoost izdelali napovedni model. Razumevanje napovedi je ključnega pomena, zato smo uporabili razlagalni algoritem SHAP, s katerim smo dobili globlji vpogled v napovedni model. Izkazalo se je, da imajo podatki, neposredno vezani na ceno kriptovalute, največjo vlogo pri napovedi, temu pa sledi indeks strahu in pohlepa.
Keywords: kriptovalute, strojno učenje, XGBoost, napovedovanje časovnih vrst, SHAP
Published in DKUM: 07.06.2023; Views: 686; Downloads: 91
.pdf Full text (2,08 MB)

8.
Model energijskih tokov v sistemu distribuirane energetske oskrbe na osnovi metode simulacije diskretnih dogodkov : doktorska disertacija
Dušan Kragelj, 2022, doctoral dissertation

Abstract: V času, ko je racionalna poraba energije in trajnostna naravnanost njenega pridobivanja postala že vsakdanja, je eden izmed že preverjenih in razširjenih načinov pridobivanja energije v javnih ustanovah kot so šole, bolnišnice, trgovski centri in podobno tako imenovana decentralizirana ali distribuirana proizvodnja električne energije, toplote in hladu, v tujini znana pod terminom Distributed Energy Resources (v nadaljevanju DER). Kot tudi na drugih področjih življenja sta tudi pri pridobivanju energije optimizacija in napovedovanje porabe esencialnega pomena za rentabilno in okoljsko sprejemljivo delovanje. V doktorski disertaciji smo proučevali sistem sestavljen iz tri-generatorja z dodatno absorpcijsko toplotno črpalko za pretvorbo toplote v hlad in dodatnega bojlerja ter kompresorske toplotne črpalke. V takšnih sistemih se za napovedovanje v večini uporabljajo samo zgodovinski podatki o porabi, saj drugih podatkov nimamo na voljo. Zaradi tega metode, ki jih avtorji uporabljajo za modeliranje oskrbe z energijo v industrijskih sistemih, niso povsem uporabne in zato je bil nujno potreben drugačen pristop.
Keywords: distribuirana proizvodnja energije, logistični proces, simulacije diskretnih dogodkov, optimizacija in napovedovanje, trajnostno pridobivanje energije
Published in DKUM: 22.02.2023; Views: 761; Downloads: 1
.pdf Full text (3,48 MB)

9.
Napovedovanje porabe pitne vode z metodami časovnih vrst in strojnega učenja : diplomsko delo
Sara Dodič, 2023, undergraduate thesis

Abstract: V diplomski nalogi se ukvarjamo z napovedovanjem porabe pitne vode. Naš glavni cilj je primerjava napovednih modelov SARIMA in nevronske mreže LSTM. Pri napovedovanju se osredotočimo na časovne vrste posameznih gospodinjstev ter časovne vrste vodovodnega omrežja, ki so vzorčene mesečno. Primerjavo napovednih modelov izvedemo na podlagi njihove srednje kvadratne napake pri prileganju na časovno vrsto in napovedovanju porabe pitne vode na testni množici. Rezultati pokažejo, da se najbolje obnese model ARIMA.
Keywords: časovne vrste, napovedovanje, ARIMA, LSTM
Published in DKUM: 13.02.2023; Views: 2260; Downloads: 121
.pdf Full text (1,83 MB)

10.
Napoved proizvodnje električne energije iz vetrnih elektrarn na podlagi vremenskih podatkov : diplomsko delo
Tilen Natek, 2022, undergraduate thesis

Abstract: Najpomembnejša naloga naše generacije je ohraniti planet, da bodo naši zanamci dihali svež zrak, pili čisto vodo in živeli v normalni temperaturi. Pri tem bo eno ključnih vlog odigrala oskrba z električno energijo. Za čim večjo podnebno nevtralnost si močno prizadeva tudi Evropska unija (EU), saj v tako imenovani zeleni preboj vlaga veliko časa in denarja. Posledično obnovljivi viri energije (OVE) predstavljajo vedno večji delež naše oskrbe z električno energijo. Toda treba se je zavedati, da bolj ko se naša električna energija napaja iz vremensko odvisnih virov energije, kot sta veter in sonce, bolj niha delovanje električnega omrežja in večji pomen ima napovedovanje proizvodnje vetrne energije.
Keywords: Vetrna energija, vetrne elektrarne, hitrost vetra, realizirana proizvodnja električne energije, napovedovanje.
Published in DKUM: 02.11.2022; Views: 941; Downloads: 129
.pdf Full text (5,83 MB)

Search done in 0.24 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica