1. Strojno učenje za inženirje : koncepti, primeri in uporaba v okolju MATLABJanez Gotlih, Miran Brezočnik, 2025, other educational material Abstract: Skripta obravnavajo strojno učenje z vidika uporabe v inženirstvu, pri čemer temeljne koncepte povezujejo s praktičnimi primeri v okolju MATLAB. Predstavljeni so štirje temeljni pristopi strojnega učenja: nadzorovano učenje, nenadzorovano učenje, učenje z okrepitvijo in prenosno učenje. Za vsak pristop so podani temeljni koncepti, konkretni primeri uporabe ter naloge za samostojno delo. Poseben poudarek je na uporabi orodij, kot so Regression Learner, Classification Learner, Deep Network Designer in Reinforcement Learning Designer, s pomočjo katerih študenti razvijajo modele na podatkih, ki izvirajo iz realnih inženirskih primerov. Med njimi so obraba orodja, vibracije strojev, balansiranje sistemov in prepoznavanje predmetov. Skripta vključujejo tudi eksperimentalne podatkovne množice in praktične napotke za učenje, validacijo in izboljšavo modelov. Namenjena so študentom tehniških smeri ter vsem, ki želijo usvojiti uporabo metod strojnega učenja za reševanje konkretnih inženirskih problemov.
Keywords: strojno učenje, nadzorovano učenje, nenadzorovano učenje, učenje z okrepitvijo, prenosno učenje, MATLAB, inženirske aplikacije
Published in DKUM: 10.11.2025; Views: 0; Downloads: 8
 Full text (6,25 MB)
This document has many files! More... |
2. 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: 11
Full text (3,02 MB) |
3. Metoda hierarhične večznačne klasifikacije na osnovi ekstrakcije značilnic s tekstovno analizo mikrobiotskih podatkov : doktorska disertacijaLucija Brezočnik, 2025, doctoral dissertation Abstract: Zanesljiva identifikacija kompleksnih vsebinskih struktur v primerih, kjer posamezni primerki podatkovnega nabora niso homogeni, pač pa združujejo informacije več virov, predstavlja enega izmed ključnih metodoloških izzivov sodobne podatkovne analitike. Relativno enostavna je namreč naloga, kjer je določen primerek homogen in ga z uporabo večrazredne klasifikacije znamo relativno preprosto razvrstiti v enega izmed ponujenih razredov. Kompleksnost pa se drastično poveča, ko se v istem primerku skriva več virov. V tem primeru osnovne metode analize ne zadostujejo več in potrebujemo naprednejše pristope, ki so sposobni razbrati soobstoj več razredov oziroma oznak, kar je tudi domena večznačne klasifikacije. V predloženi doktorski disertaciji obravnavamo omenjeni problem na področju metagenomike, ki med drugim omogoča raziskovanje mikrobiote, raznolike skupnosti bakterij in drugih mikroorganizmov v določenem okolju. Z naprednimi tehnikami sekvenciranja iz njih pridobimo zaporedja DNK celotne mikrobne združbe, ki jih lahko opišemo kot izjemno dolga besedila, zapisana z abecedo štirih nukleotidov: A, T, G in C. Naš cilj je v teh besedilih poiskati t. i. označevalne gene, ki so izključno ali močno povezani z gostiteljem. V ta namen smo na podlagi optimizacijskih pristopov in domenskih pravil predlagali metodo ekstrakcije značilnic, temelječo na osnovi k-merov, tj. krajših delov DNK. Pristop na osnovi k-merov se je izkazal za zelo učinkovitega, zato smo ga uporabili tudi pri sintetičnem generiranju vzorcev mikrobnih oziroma mikrobiotskih podatkov. Metoda temelji na pripravi profilov k-merov in na nanje osnovanih grafih prehodov. Ker smo v doktorski disertaciji analizirali lokacijsko specifične vzorce, smo morali njihov manjši nabor čistih vzorcev ustrezno razširiti. Še več, sintetično smo razširili tudi nabor mešanih vzorcev, kar predstavlja še večji izziv v realnih okoljih. Obe predlagani metodi sta se združili v konceptualno najzahtevnejšem delu doktorske naloge, predlagani metodi hierarhične večznačne klasifikacije na osnovi ekstrakcije značilnic, imenovani MLB. Z njo smo na osnovi vhodnih podatkov, tj. čistih ali sintetično ustvarjenih vzorcev, napovedovali deleže gostiteljev v mešanih mikrobnih vzorcih. Rezultate metode MLB smo primerjali s tistimi, pridobljenimi z orodjem SourceTracker, vodilnim orodjem za natančno identifikacijo in kvantifikacijo gostiteljev mikrobov v mešanih vzorcih. Metodi smo ovrednotili z uveljavljenimi metrikami na področju večznačne klasifikacije, ki razkrivajo, da metoda MLB učinkovito rešuje problem določitve gostiteljev in njihovih deležev ter poda primerljive, večinoma pa boljše rezultate kot orodje SourceTracker.
Keywords: strojno učenje, večznačna klasifikacija, ekstrakcija značilnic, obdelava naravnega jezika, mikrobiotski podatki
Published in DKUM: 20.10.2025; Views: 0; Downloads: 29
Full text (22,60 MB) |
4. Uporaba konvolucijskih nevronskih mrež za detektiranje krošenj drevesJanez Škrlj, 2025, undergraduate thesis Abstract: Diplomsko delo se ukvarja z razvojem računskega modela za detektiranje krošenj dreves v tlorisni sliki gozda. Na osnovi študija literature smo ugotovili, da je problem najlažje rešljiv z uporabo konvolucijskih nevronskih mrež. Za praktični del tega zaključnega dela smo izbrali prepoznavalnik YOLO (angl. You Only Look Once). Svojo rešitev z uporabo različice YOLO v7 smo implementirali v orodju DarkNet. Pripravili smo lastno zbirko slik, ki smo jih zajeli s pomočjo brezpilotnega letalnika. Množico podatkov smo ustrezno razdelili v učno in testno množico. Analiza dobljenih rezultatov je pokazala, da je naša rešitev zmožna prepoznavati krošnje dreves v tlorisnih slikah gozdov. Metrika natančnost je bila nad 90 %, je pa bila metrika priklic nekoliko nižja, tj. okrog 50 %. Diplomsko delo podaja tudi nekaj smernic za uporabo tako naučenih modelov v gozdarstvu.
Keywords: strojno učenje, konvolucijske nevronske mreže, model “You Only Look Once“ (YOLO), računalniški vid, prepoznava objektov s slike
Published in DKUM: 01.10.2025; Views: 0; Downloads: 27
Full text (3,69 MB) |
5. Razvoj grafičnega vmesnika za ogrodje NiaAML : diplomsko deloAljaž Rant, 2025, undergraduate thesis Abstract: V diplomskem delu predstavljamo razvoj grafičnega uporabniškega vmesnika za ogrodje NiaAML, ki je ogrodje za samodejno strojno učenje, implementirano v programskem jeziku Python, zasnovano na algoritmih po vzorih iz narave. Cilj diplomskega dela je približati uporabo ogrodja tudi uporabnikom brez programerskega znanja ter jim omogočiti preprosto konfiguracijo in zagon optimizacijskih procesov. Delo vključuje teoretični pregled področja, zasnovo in implementacijo vmesnika ter evalvacijo delovanja.
Keywords: samodejno strojno učenje, uporabniški vmesnik, ogrodje NiaAML, Python, klasifikacijski cevovod
Published in DKUM: 23.09.2025; Views: 0; Downloads: 5
Full text (2,60 MB) |
6. Razvrščanje odpadkov s pomočjo globokih nevronskih mrežTeodora Grneva, 2025, master's thesis Abstract: Magistrsko delo se osredotoča na pomemben izziv učinkovitega razvrščanja odpadkov. Pravilna identifikacija in ločevanje odpadkov sta ključna za izboljšano ravnanje z njimi, višje stopnje recikliranja in zmanjšanje negativnih vplivov na okolje. V nalogi uporabljamo napredne tehnike globokega učenja, predvsem kompleksne umetne nevronske mreže, za natančno klasifikacijo odpadkov na podlagi slik. Cilj je optimizirati razvrščanje odpadkov z raziskovanjem in primerjavo različnih modelov globokega učenja, tehnik predobdelave slik ter prenosom znanja za izboljšanje natančnosti klasifikacije. Ugotovitve bodo prispevale k razvoju naprednih sistemov za ravnanje z odpadki in ohranjanju okolja.
Keywords: strojno učenje, globoko učenje, klasifikacija slik, razvrščanje odpadkov, nevronske mreže
Published in DKUM: 04.09.2025; Views: 0; Downloads: 26
Full text (1,67 MB) |
7. OTS 2025 Sodobne informacijske tehnologije in storitve : Zbornik 28. konference, Maribor, 3. in 4. september 20252025, proceedings Abstract: V zborniku sedemindvajsete konference OTS 2025 so objavljeni prispevki strokovnjakov s področja informatike, v katerih so predstavljena nova spoznanja in trendi razvoja, vpeljave, prilagajanja ter upravljanja informacijskih rešitev, kot tudi konkretni uspešni pristopi in dobre prakse. Prispevki naslavljajo področja sodobnih arhitekturnih izzivov, klasične, generativne in globoke umetne inteligence, sodobnih spletnih ali mobilnih uporabniških vmesnikov, kot tudi tradicionalnih, brezstrežniških in decentraliziranih zalednih sistemov v oblaku. Tematike prispevkov obsegajo tudi zagotavljanje ustreznega skalabilnega okolja zanje ter avtomatizacijo testiranja, merjenje kakovosti in dostavo s proaktivnim naslavljanjem najpogostejših kibernetskih napadov. Rdečo nit prispevkov predstavljajo podatkovne tehnologije, ki so zastopane v obliki klasičnih podatkovnih baz, podatkovnih jezer ter učinkovitega zbiranja, obdelave in vizualizacije velepodatkov. Prispevki tako še naprej omogočajo boljšo povezanost IT strokovnjakov, informatikov, arhitektov in razvijalcev naprednih IT rešitev in storitev, kot tudi akademske sfere in gospodarstva.
Keywords: informatika, informacijske tehnologije, programsko inženirstvo, informacijski sistemi, informacijske rešitve, digitalna preobrazba, razvoj mobilnih in spletnih rešitev, arhitekture v oblaku, podatkovne tehnologije, poslovna inteligenca, umetna inteligenca in strojno učenje, obdelava velepodatkov in podatkovnih tokov, metode agilnega razvoja, tehnologije veriženja blokov, kibernetska varnost
Published in DKUM: 01.09.2025; Views: 0; Downloads: 16
Full text (18,89 MB)
This document has many files! More... |
8. Razpoznava slovenskega govora v aplikaciji za osebe z okvaro sluha : magistrsko deloBlaž Kovačič, 2025, master's thesis Abstract: V okviru magistrskega dela smo razvili aplikacijo za osebe z okvaro sluha, ki z razpoznavanjem slovenskega govora omogoča realnočasovno podnaslavljanje predvajanega govora. Za razpoznavanje govora aplikacija uporablja modele Whisper podjetja OpenAI, ki smo jih doučili na superračunalniku VEGA s pomočjo korpusa Artur 1.0. Pri tem smo za primerjavo rezultatov učili dva modela različnih velikosti. Za večji model smo na testni množici dosegli stopnjo napačno razpoznanih besed 11,38 %, medtem ko smo za hitrejši, manjši model dosegli 15,19 %. Realnočasovno izvajanje smo zagotovili z različnimi optimizacijami dekodiranja žetonov in s pomočjo ustreznih zaledij za sklepanje z modeli.
Keywords: razpoznava slovenskega govora, okvara sluha, samodejno podnaslavljanje, strojno učenje
Published in DKUM: 13.08.2025; Views: 0; Downloads: 22
Full text (4,29 MB) |
9. Samodejno odkrivanje anomalij v dnevniških zapisih omrežnega stikala z uporabo nevronskih mrež na grafihAnže Dolenc, 2025, master's thesis Abstract: V magistrski nalogi obravnavamo zaznavanje anomalij v dnevniških zapisih omrežnega stikala z uporabo nevronskih mrež nad grafi. Klasične metode analize logov nadomestimo s pristopom Log2Graph, ki dnevniške zapise pretvori v grafe s pomočjo razčlenjevalnika Drain in vektorskih predstavitev GloVe ter TF-IDF. Za učenje uporabljamo model DiGCN in preučimo vpliv vrednosti hiperparametrov, deleža anomalij ter kontaminacije učne množice na uspešnost zaznavanja anomalij. Rezultate ocenimo z metrikami AP, ROC AUC in F1. Pristop izkazuje robustnost in prilagodljivost pri zaznavanju anomalij v realnih omrežnih podatkih.
Keywords: dnevniški zapisi, omrežno stikalo, zaznava anomalij, strojno učenje, Log2Graph
Published in DKUM: 10.07.2025; Views: 0; Downloads: 31
Full text (4,49 MB) |
10. Uporaba metod strojnega učenja za zaznavanje kompleksnejših kibernetskih groženjMaja Rotovnik, 2025, master's thesis Abstract: Zaradi porasta in kompleksnosti kibernetskih groženj postajajo tradicionalni pristopi k zaznavanju napadov manj učinkoviti. Algoritmi strojnega učenja z zmožnostjo hitre obdelave velike količine podatkov ponujajo napredne rešitve za zaznavanje in preprečevanje vedno bolj prikritih in kompleksnih groženj. Namen magistrskega dela je bil ugotoviti, katere metode strojnega učenja so najučinkovitejše pri zaznavi napadov izvidništva in naprednih trajnih groženj – kompleksnejših vrst kibernetskih napadov. Raziskali smo, kako ustrezna predpriprava podatkov vpliva na učinkovitost napovedi in koliko je ansambelski pristop pri tem učinkovitejši. S sistematičnim pregledom literature smo ugotovili, da so pri zaznavi kompleksnih groženj najučinkovitejši algoritmi XGBoost, LightGBM, odločitvena drevesa, naključni gozd in naivni Bayesov klasifikator. Omenjene algoritme smo vključili v eksperiment, v katerem smo metode s pomočjo metrik (točnost, natančnost, priklic in F1 vrednost) ovrednotili. Ugotovili smo, da je pri klasifikaciji napadov najučinkovitejši algoritem naključni gozd. Iste algoritme smo vključili tudi v ansambel, pri čemer smo ugotovili, da je pri zaznavi naprednih trajnih groženj in izvidništva ansambelski pristop učinkovitejši, saj dosega višje rezultate vseh štirih metrik. Z ustreznimi tehnikami predpriprave podatkov pa smo dokazali, da ta pomembno vpliva na končno učinkovitost modelov oz. ansambla.
Keywords: kibernetska varnost, napredne trajne grožnje, izvidništvo, strojno učenje
Published in DKUM: 08.07.2025; Views: 0; Downloads: 42
Full text (1,99 MB) |
