1. Vpliv umetne inteligence na razvoj elektronskega poslovanjaŠpela Pamela Škof, 2024, master's thesis Abstract: COVID-19 je popolnoma spremenil vedenje potrošnikov, predvsem zaradi večje odvisnosti od spletnega nakupovanja. Pandemija je podjetja prisilila v razvoj inovativnih strategij za konkurenčnost in prilagoditev hitrim spremembam, hkrati pa spodbudila razvoj umetne inteligence (UI). UI vključuje inženiring strojev in programov, ki omogočajo samostojno odločanje ali posredovanje informacij za lažje odločanje. Programsko opremo za UI je mogoče prilagoditi glede na specifične potrebe organizacij. Kljub prednostim UI v e-poslovanju ostaja ta tehnologija nova, zato je za izkoriščanje njenih potencialov potrebno celovito razumevanje. Če organizacije ne razumejo njenih zapletov, lahko to omeji njihove koristi. Chatboti in obdelava naravnega jezika lahko še bolj učinkovito zadovoljijo potrebe strank, omogočajo hitro komunikacijo, odgovarjanje na vprašanja in reševanje težav v realnem času, kar izboljšuje zadovoljstvo strank in kakovost interakcij.
Keywords: Umetna inteligenca, elektronsko poslovanje, chatboti, strojno učenje, obdelava naravnega jezika.
Published in DKUM: 04.10.2024; Views: 0; Downloads: 26
 Full text (1,96 MB) |
2. Hibridno priporočanje vrstilcev univerzalne decimalne klasifikacije : doktorska disertacijaMladen Borovič, 2023, doctoral dissertation Abstract: V doktorski disertaciji predlagamo hibridni pristop za priporočanje vrstilcev univerzalne decimalne klasifikacije (UDK) za elektronske dokumente, ne glede na globino hierarhije UDK. Razvit hibridni pristop priporočanja vrstilcev UDK temelji na metodah vsebinskega filtriranja in uporablja strukturirane metapodatke v slovenskem jeziku za klasifikacijo področja znanosti in priporočanje ustreznih vrstilcev. Ker se dokumenti pogosto nanašajo na več področij znanosti, mora biti pristop sposoben identificirati interdisciplinarnost in vrniti več ustreznih vrstilcev UDK. Predlagani hibridni pristop uporablja kaskadno hibridizacijo in je razdeljen na dva kaskadna koraka. Najprej z rangirno funkcijo BM25 zagotovimo začetni seznam vrstilcev UDK. V prvem kaskadnem koraku začetni seznam vrstilcev UDK preuredimo s seznamom, ki je rezultat večznačnega klasifikatorja. Večznačni klasifikator temelji na globoki nevronski mreži BERT in je prilagojen na hierarhično topologijo UDK. V drugem kaskadnem koraku s pomočjo seznama najbolj pogostih vrstilcev UDK v organizaciji, iz katere izvira dokument, preuredimo seznam iz prvega koraka. Za kaskadno hibridizacijo se izvedejo postopki naknadne obdelave, ki preuredijo sezname priporočil glede na vrhnje področje in glede na specifičnost, omogočajo pa tudi rezanje seznama. Disertacija vključuje vrednotenje na množici zaključnih del v slovenskem jeziku, ki so del repozitorijev slovenskih univerz in že imajo ročno določene vrstilce UDK s strani knjižničarjev. Na testni množici dokumentov s predlaganano metodo po metriki HR@K dosežemo povprečne vrednosti 0,574 (K = 1), 0,869 (K = 3) in 0,892 (K = 5). Po metriki NDCG@K dosežemo povprečne vrednosti 0,993 (K = 1), 0,921 (K = 3) in 0,916 (K = 5), po metrikah MRR in MAP pa povprečne vrednosti vrednosti 0,782 (MRR) in 0,785 (MAP). V primerjavi z obstoječimi pristopi pokažemo, da uporaba predlaganega pristopa vodi v statistično značilne izboljšave.
Keywords: hibridni priporočilni sistemi, univerzalna decimalna klasifikacija, vsebinsko filtriranje, globoke nevronske mreže, obdelava naravnega jezika
Published in DKUM: 04.01.2024; Views: 579; Downloads: 132
Full text (1,86 MB) |
3. Obdelava in gručenje naravnih besedil v programskem okolju python : diplomsko deloEva Štingl, 2022, undergraduate thesis Abstract: Strojno učenje, ki se ukvarja z obravnavo naravnega jezika, je vseprisotno v našem vsakdanjiku. V tem diplomskem delu smo si podrobno pogledali kaj je naravni jezik in kaj zajema njegova obravnava. Opisali smo knjižnice za delo z njim in jih primerjali. Prav tako pa smo opredelili tip nenadzorovanega učenja – gručenja, ki se pogosto uporablja nad naravnimi besedili. V okviru dela smo opisali postopek gručenja in nekaj algoritmov. Nad scenarijem celotne serije Igra prestolov smo izvedli sentimentalno analizo stavkov in opravili gručenje nad podatki. Narisani grafi, so nam pokazali zanimiv rezultate gručenja po sentimentih. Gruče smo kontekstualizirali s pomočjo poznavanja vsebine serije in dogajanja v njej.
Keywords: gručenje, obdelava naravnega jezika, predprocesiranje besedila, knjižnice za obdelavo naravnega jezika, metoda voditeljev
Published in DKUM: 24.10.2022; Views: 694; Downloads: 64
Full text (3,98 MB) |
4. S strojnim učenjem podprta analiza znanstvenih revij in avtorjev : magistrsko deloTevž Šart, 2021, master's thesis Abstract: V sklopu magistrske naloge smo se osredotočili na problematiko iskanja primernih revij za objavo znanstvenih člankov različnih avtorjev. V prvem delu smo se osredotočili na pridobivanje znanja iz nestrukturiranih podatkov. Za pridobivanje uporabnega znanja smo uporabili način besedne vložitve. V drugem delu smo se osredotočili na izgradnjo programske rešitve za vektorizacijo znanstvenih člankov in revij. Namen magistrske je bil ugotoviti, ali lahko s pomočjo strojnega učenja in tehnike vektorizacije besedila ugotovimo podobnosti med znanstvenimi članki različnih avtorjev in revij ter na takšen način ugotovimo, ali avtor objavlja svoje znanstvene članke v pravilnih revijah. Vhodni korpus smo pridobili iz spletne baze znanstvenih člankov Scopus. S pomočjo rezultatov programske rešitve smo opravili analizo, s pomočjo katere smo pridobili odgovore na zastavljena raziskovalna vprašanja ter posledično sprejeli ali zavrgli hipoteze.
Keywords: doc2vec, tf-idf, besedne vložitve, vektorizacija besedila, obdelava naravnega jezika
Published in DKUM: 20.04.2021; Views: 1266; Downloads: 109
Full text (1,52 MB) |
5. Umetna inteligenca – trenutni in prihodnji izzivi bančništvaJasmina Gergorec, 2020, undergraduate thesis Abstract: Uporaba orodij za umetno inteligenco se je v zadnjem času stopnjevala v vseh gospodarskih panogah, med drugim tudi zaradi naraščajočega obsega digitalnih podatkov in vse večje računalniške zmogljivosti. Umetna inteligenca spreminja vse vidike poslovanja, tudi v bančništvu. Banke si danes ne morejo več privoščiti dolge čakalne vrste in pogoste obiske njihovih poslovalnic. Potrebujejo preobrazbo, da bi lahko sledile pričakovanjem svojih strank. Poglobljeno in strojno učenje so izboljšale izkušnje s strankami. Umetna inteligenca vključuje obdelavo naravnega jezika, prepoznavanje govora in strojni vid. Na izbiro imamo več vrst tehnik, ene izmed teh so: nevronske mreže, genetski algoritem ali mehka logika.
Motivi za uvajanje umetne inteligence v bančništvo so predvsem odpravljanje človeških napak, boljši regulativni nadzor, hitrejše prepoznavanje in obvladovanje tveganj, prepoznavanje goljufij, boljša finančna varnost, kar se odraža pri nižjih stroških poslovanja ter predstavlja konkurenčno prednost posamezne banke.
Keywords: Umetna inteligenca, bančništvo, chatbot, strojno učenje, obdelava naravnega jezika
Published in DKUM: 30.11.2020; Views: 1514; Downloads: 225
Full text (620,32 KB) |
6. Uporaba vektorske vgradnje za inteligentno obdelavo slovenskega besedila : magistrsko deloUrban 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 in DKUM: 17.11.2020; Views: 1244; Downloads: 84
Full text (3,65 MB) |
7. Zasnova in razvoj sistema za rudarjenje mnenja, s pomočjo besednih vektorjev in nevronskih mrež : magistrsko deloMiha Hozjan, 2020, master's thesis Abstract: V zadnjih letih je, predvsem s porastom socialnih medijev, analiza sentimenta postala ena izmed glavnih vej obdelave naravnega jezika. Intenzivno se uporablja na različnih področjih, med drugim tudi v političnem prostoru. V sklopu magistrske naloge smo izdelali sistem za rudarjenje mnenja, ki uspešno razvrsti komentarje, zapisane v slovenskem jeziku, v tri kategorije, in sicer pozitivne, negativne in nevtralne. Po proučitvi strokovne in znanstvene literature ter razvoju in primerjavi različnih modelov nam je uspelo pokazati, da lahko z uvedbo besednih vektorjev v kombinaciji z nevronskimi mrežami občutno izboljšamo delovanje takšnega sistema.
Keywords: analiza sentimenta, besedni vektorji, nevronske mreže, obdelava naravnega jezika
Published in DKUM: 03.11.2020; Views: 923; Downloads: 93
Full text (1,22 MB) |
8. |
9. Orodje za avtomatizacijo optimizacije SEO : magistrsko deloGašper Gračner, 2019, master's thesis Abstract: S tem magistrskim delom smo želeli predstaviti področje optimizacije spletnih strani ter
opisati dejavnike, ki vplivajo na boljše iskalne rezultate. Avtorji del, povezanih z optimizacijo
spletnih strani, največkrat poudarijo pomembnost ključnih besed. Naloga opisuje
tradicionalne in moderne načine iskanja ključnih besed. Med moderne načine lahko
prištevamo tudi avtomatizirano iskanje le-teh. Pristopi iskanja se med sabo močno
razlikujejo, nekateri temeljijo na statističnih podatkih, drugi na oblikovnih lastnostih
besedila, tretji pa na strojnem učenju. Predstavljen je po en algoritem iz posamezne
kategorije ter primerjava uspešnosti s podatki, ki smo jih pridobili iz storitve DataForSEO.
Keywords: algoritmi iskanja ključnih besed, SEO-optimizacija, spletni iskalniki, obdelava naravnega jezika
Published in DKUM: 23.11.2019; Views: 1523; Downloads: 120
Full text (2,31 MB) |
10. Razpoznavanje in klasifikacija imenskih entitet z uporabo umetnih nevronskih mrežLuka Bašek, 2019, master's thesis Abstract: Z razvojem področja globokega učenja, ki temelji na umetnih nevronskih mrežah, se danes poskušajo rešiti že znani problemi področja obdelave naravnega jezika. V tem magistrskem delu obravnavamo problem razpoznavanja in klasifikacije imenskih entitet z uporabo metod globokega učenja. V magistrski nalogi smo uporabili programski jezik Python in odprtokodno knjižnico Keras. Preizkusili smo različne arhitekture rekurentnih nevronskih mrež, ki uporabljajo pomnilne celice LSTM in GRU. Prav tako smo opravili različne poskuse, v katerih smo iskali optimalne parametre nevronske mreže z namenom natančnega razpoznavanja in klasifikacije imenskih entitet. Učenje nevronske mreže in vrednotenje modelov smo izvedli na korpusih, ki so bili predstavljeni na konferenci CONLL leta 2003.
Keywords: obdelava naravnega jezika, razpoznavanje imenskih entitet, umetne nevronske mreže, LSTM, GRU
Published in DKUM: 14.02.2019; Views: 1999; Downloads: 228
Full text (4,85 MB) |
