1. Mobilna aplikacija za pretvorbo slik iz formata raw v format png s pomočjo strojnega učenja : diplomsko deloUroš Mravljak, 2025, undergraduate thesis Abstract: V diplomskem delu je prikazan razvoj aplikacije za pretvorbo slik formata RAW v format PNG, pri čemer uporabljamo dva pristopa. Prvi temelji na standardnih algoritmih za pretvorbo slik, drugi pa na strojnem učenju, kar pomeni, da je bil model naučen čim bolj natančno pretvarjati sliko iz enega formata v drugega. Ta aplikacija dobro služi fotografom, ki zajemajo slike v formatu RAW, saj jih lahko na svojem mobilnem telefonu pretvorijo kar na poti. Na koncu sta sledili primerjava in analiza rezultatov za ugotavljanje, kateri postopek prinaša boljše rezultate. Za učenje modela je bilo uporabljenih 16 različnih slik, algoritem pa je bil implementiran s pomočjo knjižnic. Pretvorba z algoritmom je poskrbela za kvalitetnejše slike, vendar je bila pretvorba z modelom včasih hitrejša. Pretvorjene slike so bile primerjane z metrikama PSNR in SSIM ter analizirane.
Keywords: raw, png, slika, pretvorba, strojno učenje
Published in DKUM: 08.05.2025; Views: 0; Downloads: 12
 Full text (2,93 MB) |
2. Strojno učenje in obdelava naravnega jezika za pripravo analize sentimenta na spletuMatija Jerin, 2025, master's thesis Abstract: Magistrsko delo obravnava področje analize sentimenta z uporabo strojnega učenja in obdelave naravnega jezika. Namen dela je razviti model, ki bi bil sposoben analizirati sentiment besedil, pridobljenih s spletnih platform, zlasti z družbenega omrežja X (prej Twitter).
V delu smo uporabili različne metode strojnega učenja in obdelave naravnega jezika. Najprej smo podatke pridobili iz odprtih virov, jih očistili in normalizirali z metodami, kot sta lemmatizacija in tokenizacija. Pri obdelavi podatkov smo uporabili več tehnik, vključno z Bag of Words, s pozitivno/z negativno frekvenco in s TF-IDF, za kar smo uporabili Python knjižnice, kot sta NLTK in scikit-learn. Model smo učili z metodo logistične regresije, naivnega bayesa in z metodo podpornih vektorjev ter testirali njihovo natančnost s pomočjo ločenih testnih podatkov.
Rezultati kažejo, da je logistična regresija v kombinaciji z značilkami TF-IDF dosegla najvišjo natančnost pri predvidevanju sentimenta, in sicer 88,65 %, kar pomeni, da je model sposoben zanesljivo prepoznati sentiment besedil kot pozitiven ali negativen. Kljub uspehu modela obstaja potencial za nadaljnje izboljšave. Uporaba večjih in bolj raznovrstnih podatkovnih zbirk ter naprednejših tehnik globokega učenja, kot so nevronske mreže (LSTM ali BERT), bi lahko še povečala natančnost in zmogljivost modela.
Zaključki magistrskega dela potrjujejo, da je analiza sentimenta z uporabo strojnega učenja izvedljiva in uporabna v različnih okoljih. V prihodnje priporočamo implementacijo API-ja za omrežje X, kar bi omogočilo sprotno pridobivanje podatkov in avtomatizirano analizo sentimenta v realnem času. Prav tako bi lahko nadgradnja modela z globokim učenjem pripomogla k obvladovanju kompleksnejših jezikovnih struktur in kontekstov, kot sta sarkazem in večpomenskost.
Keywords: analiza sentimenta, strojno učenje, obdelava naravnega jezika
Published in DKUM: 09.04.2025; Views: 0; Downloads: 9
Full text (4,85 MB) |
3. Učenje redkih nevronskih mrež z iterativnim rezanjem parametrovNejc Podvratnik, 2025, master's thesis Abstract: Moderno globoko učenje pogosto vključuje nevronske mreže, ki imajo nepotrebno veliko število parametrov oziroma povezav. Posledica tega je višja časovna in prostorska zahtevnost pri delu z mrežami. Možna rešitev problema je hipoteza loterijskih srečk, ki pravi, da v množici povezav vsake naprej povezane nevronske mreže obstaja podmnožica, ki je manjša in ohranja enako in v nekaterih primerih tudi večjo uspešnost. Imenujemo jo zmagovita srečka. V magistrskem delu je predstavljena in dokazana hipoteza loterijske srečke ter implementiran lasten algoritem za iterativno rezanje parametrov, ki je bil testiran in analiziran na različnih arhitekturah, podatkovnih zbirkah in hiperparametrih.
Keywords: strojno učenje, redka nevronska mreža, hipoteza loterijskih srečk, rezanje
Published in DKUM: 04.03.2025; Views: 0; Downloads: 32
Full text (2,88 MB) |
4. Detekcija napak v proizvodnji z uporabo algoritma YOLO : magistrsko deloJovan Babajić, 2025, master's thesis Abstract: Magistrsko delo preučuje uporabo algoritma You Only Look Once (YOLO) za zaznavanje napak na piškotkih v proizvodnih procesih. Ugotovitve kažejo, da modeli manjše velikosti učinkovito zaznavajo napake pri manjših podatkovnih naborih, medtem ko večji modeli zahtevajo večjo količino podatkov za optimalno delovanje. Implementacija YOLO algoritma za avtomatizirano zaznavanje napak prinaša izboljšano kakovost in učinkovitost proizvodnje ter zmanjšuje stroške. Avtomatizacija omogoča zaposlenim, da se osredotočijo na analizo podatkov, kar povečuje njihovo zadovoljstvo in vrednost. Delo poudarja pomembnost naprednih tehnologij pri spodbujanju inovacij in konkurenčne prednosti v industriji.
Keywords: YOLO, zaznavanje napak, piškotek, avtomatizirana kontrola kakovosti, strojno učenje
Published in DKUM: 03.03.2025; Views: 0; Downloads: 25
Full text (4,83 MB) |
5. Analiza učinkovitosti različnih metod strojnega učenja pri napovedovanju sončnega sevanja : diplomsko deloDragan Popović, 2024, undergraduate thesis Abstract: V diplomskem delu smo primerjali učinkovitost dveh modelov strojnega učenja, LSTM (Long Short-Term Memory) in FFNN (Feedforward Neural Network), pri napovedovanju globalnega horizontalnega obsevanja (GHO). Sončna energija je ključna za trajnostni razvoj, saj predstavlja čisto in obnovljivo alternativo fosilnim gorivom, vendar njeno izkoriščanje zahteva natančne napovedi sončnega obsevanja. V nalogi smo najprej obravnavali teoretične osnove sončne energije, fotovoltaike in izzive, povezane z napovedovanjem vrednosti GHO. Nato smo v praktičnem delu izvedli simulacije v okolju MATLAB, kjer smo modela trenirali na podatkih iz let 2018–2021 in napovedovali vrednosti za leto 2022. Rezultati so pokazali, da je LSTM model splošno boljši pri napovedovanju GHO, saj je izkazal večjo stabilnost, natančnost in zmožnost zajemanja sezonskih sprememb v primerjavi s FFNN modelom, ki je imel več težav pri napovedovanju ekstremnih vrednosti in sezonskih nihanj. Na podlagi teh ugotovitev zaključujemo, da je LSTM model primernejši za napovedovanje GHO, medtem ko FFNN model potrebuje nadaljnjo optimizacijo. Naloga ponuja prispevek k razvoju natančnejših napovednih modelov, ki so ključni za optimizacijo izkoriščanja sončne energije in prispevek k trajnostnemu razvoju.
Keywords: sončna energija, strojno učenje, globalno horizontalno obsevanje
Published in DKUM: 07.02.2025; Views: 0; Downloads: 18
Full text (6,31 MB) |
6. |
7. Vključevanje orodij umetne inteligence v celovite informacijske rešitve: primer napovedovanja prodaje in zalogGarvin 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: 44
Full text (2,64 MB) |
8. Metoda kontekstno odvisne vektorske predstavitve sprememb programske kode za klasifikacijo vrste aktivnosti vzdrževanja : doktorska disertacijaTjaša Heričko, 2024, doctoral dissertation Abstract: V doktorski disertaciji obravnavamo raziskovalni problem avtomatizacije prepoznavanja namenov sprememb programskih rešitev, izvedenih v fazi vzdrževanja. Klasifikacija programskih sprememb glede na vrsto aktivnosti vzdrževanja, ki odraža specifične namene sprememb, omogoča učinkovitejšo analizo in načrtovanje vzdrževanja, podpira delovne procese in naloge razvijalcev ter se pogosto uporablja v raziskavah programskega inženirstva za proučevanje sprememb in evolucije rešitev. S ciljem ugotavljanja raziskovalnih vrzeli smo s sistematičnim pregledom literature proučili obstoječe pristope h klasifikaciji sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja. Za naslovitev teh vrzeli smo s študijo sistematičnega mapiranja pregledali pristope vektorizacije sprememb programske kode z učenjem predstavitev na podlagi izvorne kode, ki se v obstoječi literaturi uporabljajo za naslavljanje različnih izzivov programskega inženirstva. Na podlagi ugotovitev smo razvili in predlagali novo metodo kontekstno odvisne vektorske predstavitve sprememb programske kode, ki omogoča ekstrakcijo semantičnih značilk sprememb izvorne kode med dvema različicama programske rešitve ob upoštevanju konteksta sprememb. Predlagana metoda predstavi spremembo programske rešitve kot množico podrobnih sorodnih sprememb programske kode, temelječih na predstavitvah zaznanih razlik v izvorni kodi na osnovi žetonov. Za ekstrakcijo semantičnih vložitev sorodnih sprememb metoda uporablja strojno učenje s prenosom znanja iz izbranega prednaučenega jezikovnega modela programske kode iz družine modelov BERT, kot so CodeBERT, UniXcoder in StarEncoder, ki je bil predhodno dodatno prilagojen ciljni nalogi s paradigmama samonadzorovanega in nadzorovanega učenja. Pridobljene vektorske vložitve podrobnih sorodnih sprememb so nato združene v enotno semantično vektorsko predstavitev spremembe programske rešitve. Za klasifikacijo sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja smo na označeni podatkovni množici izgradili modele strojnega učenja, pri čemer smo za ekstrakcijo značilk uporabili predlagano metodo ter referenčne in obstoječe metode predstavitve sprememb rešitev. Z nadzorovanim eksperimentom, študijo ablacije in primerjalno študijo smo proučili vpliv različnih parametrov predlagane metode predstavitve sprememb na uspešnost klasifikacije, primerjali uspešnost klasifikacije ob uporabi predlagane metode v primerjavi z uporabo referenčnih in obstoječih metod predstavitve sprememb ter ovrednotili uspešnost multimodalnih modelov strojnega učenja, temelječih na nadgradnji obstoječih metod predstavitve sprememb s predlagano metodo z združevanjem modalnosti naravnega jezika in programske kode. Empirične rezultate smo statistično analizirali s pomočjo frekventistične in Bayesove statistike. Izsledki raziskav potrjujejo izhodiščno tezo, da je z uporabo nove metode mogoče izgraditi modele strojnega učenja, ki uspešno klasificirajo spremembe programskih rešitev glede na vrsto aktivnosti vzdrževanja. Osrednje ugotovitve doktorske disertacije so naslednje: vektorske predstavitve sprememb programske kode na osnovi predlagane metode dosegajo primerljivo ali višjo uspešnost pri klasifikaciji v primerjavi s predstavitvami na osnovi referenčnih in obstoječih metod; zmanjšanje dimenzionalnosti kontekstno odvisnih vektorskih predstavitev sprememb omogoča zmanjšanje števila dimenzij brez negativnega vpliva na uspešnost klasifikacije; multimodalni klasifikacijski modeli dosegajo višjo uspešnost klasifikacije v primerjavi z unimodalnimi modeli.
Keywords: vzdrževanje programske opreme, spremembe programskih rešitev, rudarjenje repozitorijev programskih rešitev, strojno učenje, klasifikacija, nevronski jezikovni modeli programske kode, vektorske predstavitve, vektorska vložitev
Published in DKUM: 06.01.2025; Views: 0; Downloads: 78
Full text (5,56 MB) |
9. |
10. Samodejno strojno učenje znotraj relacijske podatkovne baze PostgreSQLAljaž Šek, 2024, undergraduate thesis Abstract: V diplomskem delu smo predstavili in raziskovali uporabnost integracije samodejnega strojnega učenja znotraj relacijske podatkovne baze PostgresSQL. Osredotočili smo se na primerjavo dveh odprtokodnih orodij, ki to integracijo omogočata, in sicer MindsDB in PostgresML, kateri smo primerjali na praktičnem primeru prodaje vozil. Prikazali smo celoten postopek namestitve, povezovanje s podatkovno bazo in uporabo obeh orodij za gradnjo modela strojnega učenja. Raziskali smo glavne razlike med obema orodjema in na koncu predstavili prednosti in slabosti ter ugotovitve primerjave.
Keywords: strojno učenje, samodejno strojno učenje, strojno učenje znotraj relacijskih
podatkovnih baz, MindsDB, PostgresML
Published in DKUM: 23.12.2024; Views: 0; Downloads: 47
Full text (2,22 MB) |
