1. Pametni video nadzor domačega okolja z uporabo nevronskih mrežUroš Kos, 2025, master's thesis Abstract: V magistrskem delu smo razvili pameten sistem video nadzora domačega okolja, ki s pomočjo nevronskih mrež omogoča zaznavanje oseb in vozil v realnem času. Sistem uporablja model YOLO za prepoznavanje objektov, lasten model na osnovi ResNet-50 za prepoznavo znamke in modela vozila ter OCR za branje registrskih tablic. Zajeti podatki se shranjujejo v MSSQL bazo in so dostopni prek spletnega vmesnika, razvitega v .NET in Angularju. Rešitev omogoča pregled dogodkov, arhiviranje posnetkov in prikaz v živo ter izkazuje zanesljivo delovanje v različnih vremenskih in svetlobnih pogojih.
Keywords: Pametni video nadzor, nevronske mreže, prepoznavanje vozil, YOLO
Published in DKUM: 22.12.2025; Views: 0; Downloads: 7
 Full text (5,30 MB) |
2. Napovedovanje lastnosti molekul z grafovskimi nevronskimi mrežami : magistrsko deloLovro Novak, 2025, master's thesis Abstract: Grafovske nevronske mreže (GNN) so se izkazale kot zmogljivo orodje za napovedovanje lastnosti struktur, predstavljenih v obliki grafov. Molekule lahko predstavimo kot grafe, kjer vozlišča predstavljajo atome, povezave pa kemijske vezi med njimi. V magistrski nalogi preučujemo učinkovitost GNN v kemoinformatiki za napovedovanje topnosti in temperature vrelišča molekul. Napovedovanje izvajamo z večopravilnim modelom ter z ločenimi, specializiranimi modeli za posamezno lastnost.
Keywords: grafovske nevronske mreže, graf, SMILES, napovedovanje lastnosti molekul
Published in DKUM: 16.12.2025; Views: 0; Downloads: 7
Full text (3,17 MB) |
3. Uporaba transformer arhitekture nevronskih mrež za zapolnjevanje manjkajočih vrednosti v časovnih vrstah : magistrsko deloBenjamin Petelinek, 2025, master's thesis Abstract: V magistrskem delu se osredotočamo na problematiko manjkajočih vrednosti, ki pomembno vplivajo na napovedno uspešnost modelov strojnega učenja. V uvodnem delu magistrskega dela smo opisali problem manjkajočih vrednosti in teoretično predstavili osnove strojnega učenja. V eksperimentalnem delu smo razvili lastno arhitekturo za zapolnjevanje manjkajočih vrednosti. Pri razvoju smo se zgledovali po modelih GPT-2 in SAITS. Razvito arhitekturo smo ovrednotili, analizirali in rezultate primerjali z modeli linearne interpolacije, SAITS in KNN. Izkazalo se je, da je linearna interpolacija pri zapolnjevanju manjkajočih vrednosti PM2.5 najuspešnejša, vendar razlike med modeli linearne interpolacije, Transformer in SAITS ne presegajo 0,2 MAE. Glede na napovedno uspešnost se je arhitektura Transformer uvrstila na drugo mesto. Arhitektura KNN je ne glede na postajo ali delež manjkajočih vrednosti dosegla najslabši rezultat. Višje dimenzije vdelav so pri modelih Transformer izboljšale napovedno uspešnost, medtem ko pri modelih SAITS nismo videli podobnega učinka. Prav tako smo ugotovili, da višanje deleža manjkajočih vrednosti negativno vpliva na napovedno uspešnost modelov.
Keywords: arhitektura Transformer, nevronske mreže, zapolnjevanje manjkajočih vrednosti, SAITS, strojno učenje.
Published in DKUM: 16.12.2025; Views: 0; Downloads: 6
Full text (2,27 MB) |
4. Uvajanje metod strojnega učenja v študijske programe kemijskega inženirstva : magistrsko deloJure Šuster, 2025, master's thesis Abstract: V magistrskem delu so predstavljeni temeljni koncepti strojnega učenja in orodja za njihovo implementacijo, s posebnim poudarkom na praktičnem učenju z uporabo programskega jezika Python in njegovih uveljavljenih knjižnic, kot so NumPy, Pandas, Scikit-learn, Matplotlib, Keras in TensorFlow. Delo sistematično opisuje ključne faze razvoja modelov strojnega učenja, ki vključujejo pridobivanje in predobdelavo podatkov, izvedbo eksplorativne analize, uporabo različnih algoritmov za učenje ter vrednotenje njihove uspešnosti z ustreznimi metričnimi kazalci. V praktičnem delu so podrobneje prikazani trije primeri uporabe. Prvi primer obravnava napoved topnosti spojin, pri čemer je bil na osnovi javno dostopnega nabora podatkov razvit regresijski model za napoved kvantitativnih vrednosti. Drugi primer prikazuje uporabo klasifikacijskega modela za razvrščanje podatkov, pri čemer je bil poseben poudarek namenjen vrednotenju uspešnosti modela z različnimi metrikami. Tretji primer vključuje učenje večplastne nevronske mreže na znanem podatkovnem naboru ročno napisanih številk MNIST in ilustrira celoten proces – od priprave podatkov, nastavitve arhitekture modela, učenja modela, do vizualizacije in interpretacije rezultatov. Rezultati teh primerov potrjujejo, da je strojno učenje mogoče učinkovito približati študentom kemijskega inženirstva s kombinacijo teoretičnih osnov in praktičnih vaj, kar pomembno prispeva k njihovi boljši usposobljenosti za izzive sodobne industrije.
Keywords: strojno učenje, kemijsko procesno inženirstvo, nevronske mreže, regresija, klasifikacija
Published in DKUM: 30.10.2025; Views: 0; Downloads: 13
Full text (3,02 MB) |
5. Globoki modeli za detekcijo in prepoznavo obrazov v video vsebinah in slikah : magistrsko deloStefani Bojanić, 2025, master's thesis Abstract: Človeški obraz predstavlja eno od najpomembnejših biometričnih značilnosti, saj združuje informacijo o identiteti, spolu, starosti in čustvenem izrazu. V tem okviru se detekcija in prepoznavanje obrazov kažeta kot dva neločljivo povezana procesa. V magistrski nalogi so predstavljeni ključni izzivi tega področja ter stanje razvoja, ki zajema vse od klasičnih metod do sodobnih pristopov z globokim učenjem, s poudarkom na konvolucijskih nevronskih mrežah. Razvoj in eksperimenti so bili izvedeni s programskim jezikom Python. V okolju Visual Studio Code smo tako razvili sistem za prepoznavanje obrazov z uporabo algoritma ArcFace.
Keywords: detekcija obrazov, prepoznavanje obrazov, globoko učenje, state of the art, konvolucijske nevronske mreže (CNN), ArcFace
Published in DKUM: 23.10.2025; Views: 0; Downloads: 11
Full text (4,66 MB) |
6. Detekcija jajčnih mešičkov v ultrazvočnih volumnih z globokimi nevronskimi mrežami na osnovi modela transformer : magistrsko deloŽiga Pečar, 2025, master's thesis Abstract: V okviru magistrskega dela smo razvili in implementirali tri metode za detekcijo jajčnih mešičkov in jajčnikov v 3D ultrazvočnih volumnih z uporabo globokih nevronskih mrež, osnovanih na arhitekturah tipa transformer. Implementirani sistemi uporabljajo globoko učenje ter arhitekturo transformer in so posebej prilagojeni za obdelavo volumetričnih podatkov. Vse tri rešitve vključujejo pripravo vhodnih ultrazvočnih podatkov, učenje modela na ročno segmentiranih vzorcih ter napovedovanje prisotnosti in oblike mešičkov/jajčnikov v novih podatkih. Za izboljšanje natančnosti smo uporabili različne tehnike bogatenja podatkov ter ločeno obravnavali prisotnost jajčnikov in jajčnih mešičkov. Učinkovitost metod smo ovrednotili s pomočjo kvantitativnih metrik ter vizualno analizo rezultatov nad več volumni iz javno dostopne podatkovne zbirke USOVA3D. Ugotovili smo, da modeli transformer potrebujejo znatno več podatkov, da enačijo ali presežejo zmožnosti konvolucijskih nevronskih mrež.
Keywords: nevronske mreže, 3D segmentacija, globoko učenje, 3D sivinski volumni, model transformer
Published in DKUM: 22.10.2025; Views: 0; Downloads: 15
Full text (3,45 MB) |
7. Optimizacija globokih mrež za prepoznavo čustvenih izrazov : magistrsko deloNejc Zupančič, 2025, master's thesis Abstract: V sklopu magistrskega dela smo obravnavali kompleksen problem razpoznave čustvenih izrazov s pomočjo globokih nevronskih mrež. Trenutne rešitve so izredno neučinkovite, ko jih prenesemo v realni svet. V praktičnem delu smo s pomočjo evolucijskega algoritma diferencialne evolucije optimizirali parametre treh znanih arhitektur globokih nevronskih mrež – DenseNet121, ResNet50 in VGG16, z željo, da bi pridobili višjo natančnost. S pomočjo učne množice AffectNet in tehnike prenosnega učenja smo modele priredili za problem razpoznave čustvenih izrazov. Z diferencialno evolucijo smo uspešno našli hiperparametre (stopnja učenja, moment, upad uteži), ki nam dajejo malenkost boljše rezultate za posamezen model. Natančnost DenseNet121 smo zvišali za 1,72 % (z 52,24 % na 53,96 %), ResNet za 1,88 % (z 51,86 % na 53,74 %) in VGG16 za 1,59 % (z 52,01 % na 53,6 %). Prav tako smo opazovali, kako velikost množice vpliva na uspešnost. Ugotovili smo, da nam množice, velike od 30 % do 40 %, dajejo rezultate, ki so v povprečju okoli 2 % slabši od rezultatov, pri katerih smo uporabili celotno učno množico.
Keywords: prepoznavanje čustev, konvolucijske nevronske mreže, optimizacija parametrov učenja
Published in DKUM: 17.10.2025; Views: 0; Downloads: 7
Full text (3,15 MB) |
8. Računalniški igralec šaha po metodologiji AlphaZero : magistrsko deloTomaž Piko, 2025, master's thesis Abstract: V magistrskem delu predstavljamo implementacijo lastnega računalniškega igralca šaha po metodologiji AlphaZero, ki se igre nauči brez predhodnega znanja z igranjem proti samemu sebi. V prvem delu na kratko predstavimo zgodovino računalniškega igranja šaha ter izvedemo pregled osnovnih pristopov šahovskih pogonov. Drugi del zajema implementacijo, učenje in preverjanje delovanja računalniškega igralca. Računalniški igralec je dosegel 2144 točk ELO v igrah z igralnim časom ene minute in 1976 točk ELO v kategoriji s časom treh minut, kar ustreza nivoju močnega amaterskega igralca.
Keywords: šah, računalniški igralec, šahovski pogoni, iskalna drevesa, nevronske mreže
Published in DKUM: 17.10.2025; Views: 0; Downloads: 6
Full text (3,04 MB) |
9. Razvoj čustvene inteligence pri neigrivih likih v videoigrah s pomočjo nevronskih mrež : diplomsko deloMarko Vrhovnik, 2025, undergraduate thesis Abstract: V diplomskem delu je opisana implementacija modela za zaznavanje čustvenega tona v besedilu z uporabo nevronskih mrež. Glavni cilj dela je bil implementirati model umetne inteligence, ki razlikuje med pozitivnimi in negativnimi čustvi, ter ga integrirati v videoigro. Po končanem učenju je bil model uvožen v razvojno orodje Unity.
Razvita igra simulira interakcijo med dvema likoma, njen cilj pa je demonstracija uporabe modela umetne inteligence in preverjanje, kako učinkoviti so takšni modeli pri uporabi v videoigrah. Igralec skozi igro odgovarja na vprašanja, cilj pa je odgovoriti na način, pri katerem bo model čustva v odgovoru napovedal kot pozitivna.
Keywords: umetna inteligenca, nevronske mreže, naravna obdelava jezika, Unity, razvoj iger, čustva
Published in DKUM: 15.10.2025; Views: 0; Downloads: 11
Full text (1,30 MB) |
10. Uporaba grafovskih samokodirnikov za odkrivanje anomalij v kompleksnih mrežah : magistrsko deloNika Kramberger, 2025, master's thesis Abstract: V magistrskem delu raziskujemo uporabo grafovskih samokodirnikov za odkrivanje anomalij v kompleksnih mrežah. Najprej predstavimo temeljne pojme s področja kompleksnih mrež, grafovskih nevronskih mrež, anomalij in samokodirnikov. Nato opišemo pripravo podatkov, zasnovo modela ter postopek dodajanja atributnih in strukturnih anomalij. Poseben poudarek namenimo vlogi rekonstrukcijskih napak pri prepoznavanju anomalij, uspešnost modela pa ovrednotimo z uporabo metrike F1. Na koncu predstavimo rezultate testiranj in v zaključku povzamemo glavne ugotovitve raziskave.
Keywords: samokodirniki, anomalije, kompleksne mreže, grafovske nevronske mreže, metrika F1
Published in DKUM: 15.10.2025; Views: 0; Downloads: 10
Full text (2,37 MB) |
