| | 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 / 129
First pagePrevious page12345678910Next pageLast page
1.
Algoritmi gručenja v okolju Jamovi in programskem jeziku R : diplomsko delo
Tine Šuster, 2022, undergraduate thesis

Abstract: Gručenje je uporabna tehnika strojnega učenja. Velika količina podatkov, ki so na voljo odpira mnogo možnosti za iskanje skritega znanja. Ti pogoji ponujajo priložnost razvoja odprtokodnih orodij za uporabo strojnega učenja in ga tako približati več uporabnikom. Opisali smo osnove strojnega učenja in podrobneje analizirali nekaj algoritmov gručenja. V programskem jeziku R smo razvili vtičnik za odprtokodno okolje Jamovi. Končni izdelek podpira tri pogosto uporabljane algoritme gručenja in omogoča uporabniko enostavno gručenje nad podatki prav tako pa oceno pridobljenih rezultatov. Uporabniško izkušnjo smo izboljšali tudi z grafičnim prikazom podatkov.
Keywords: gručenje, analiza, strojno učenje, vtičnik
Published in DKUM: 13.01.2023; Views: 155; Downloads: 25
.pdf Full text (1,47 MB)

2.
Napovedovanje odziva na zdravljenje metastatskega melanoma iz podatkov o izražanju genov
Lea Vohar, 2022, master's thesis

Abstract: Uvod: Zaviralci imunskih kontrolnih točk so v zadnjem desetletju naredili izjemen napredek pri zdravljenju metastatskega melanoma, vendar je odzivnost na zdravljenje relativno nizka. Prepoznavanje biologije odziva in odpornosti na zdravljenje sta prednostni nalogi za optimizacijo izbire zdravil in izboljšanje rezultatov bolnikov. V okviru naše študije smo ocenili genski podpis IPRES za napovedovanje odziva na imunoterapijo. Metode: Izvedli smo statistično analizo kliničnih podatkov bolnikov z metastatskim melanomom in temeljne korake razvoja napovednega modela na transkiptomskih podatkih. Napovedne modele smo zgradili z metodo multiple logistične regresije, naključnega gozda in nevronsko mrežo. Modele smo ocenili z 20-kratno ponovitvijo vgnezdenega 5-kratnega sorazmernega prečnega preverjanja. Rezultati: Z uporabo podpisa IPRES kot vhodne spremenljivke napovednih modelov se je za najboljšega izkazal naključni gozd z rezultatom pri vrednosti AUC 0,65 (95 % IZ: 0. 65– 0.66). Z integracijo statistično značilnih genomskih podatkov smo vrednost metrike AUC povišali na 0,72 (95 % IZ: 0,71–0,72). Razprava in zaključek: Geni IPRES so bili izbrani kot diferencialni geni. Izkazalo se je, da diferenčnost izražanja genov med neodvisnima bazama podatkov iste vrste raka ni ponovljiva in da diferencialni geni kot predstavniki signalnih poti nimajo nujno zadostne napovedne moči. Potrdili smo pomembnost združevanja – omik in uporabo modelov strojnega učenja za doseganje natančnejših napovedi.
Keywords: melanom, imunoterapija, zaviralci kontrolnih točk, strojno učenje
Published in DKUM: 21.12.2022; Views: 142; Downloads: 26
.pdf Full text (1,15 MB)

3.
Razvoj inteligentne rešitve za vrednotenje vozil z uporabo strojnega učenja
David Žele, 2022, master's thesis

Abstract: Eden izmed ključnih problemov hitrega razvoja inteligentnih rešitev je v tem, kako čim bolj sistematično, avtomatizirano in nadzorovano optimizirati razvojni proces. Željen je čim manjši vpliv hitro vpeljanih sprememb v podatkih ali programski kodi na samo končno rešitev in sledenje vpliva sprememb. Namen magistrskega dela je predvsem vpeljati inženirski pristop ML Ops, ki v veliki meri avtomatizira korake v razvoju programske rešitve, in ga preizkusiti na primeru razvoja inteligentne rešitve za vrednotenje vozil z uporabo strojnega učenja in podatkov s spletnih strani z rabljenimi vozili. Končni rezultati, da je razvojni proces po vpeljavi ML Ops bolj organiziran ter v veliki meri razbremeni sodelujoče na projektu, ne presenečajo, preseneča pa medsebojna kompatibilnost izbranih orodij, ki smo jih izbrali za naš projekt, ter sama pripravljenost na vpeljavo koncepta.
Keywords: inteligentna rešitev, vrednotenje vozil, strojno učenje
Published in DKUM: 07.11.2022; Views: 137; Downloads: 31
.pdf Full text (2,38 MB)

4.
Uporaba pregledne plošče Dash za analizo filmov v Pythonu
Kristian Grgić, 2022, undergraduate thesis

Abstract: V diplomskem delu je obravnavano področje strojnega učenja. Predstavljena je pregledna plošča Dash, ki jo uporabimo za prikaz rezultatov in algoritmi, ki jih uporabimo v okviru diplomske naloge za ustvaritev modela znanja in ekstrakcijo ključnih besed iz opisa pripadajočega filma. Po predstavitvi je opisan proces ustvaritve podatkovne zbirke filmov in zasnove produkta. Rezultat diplomskega dela je spletna aplikacija, ki uporabniku omogoča dinamično in interaktivno spreminjanje oz. prilagajanje vhodnih parametrov in izbiro algoritma za ustvaritev modela znanja na podlagi katerega napovedujemo zaslužek posameznega filma, skupne rezultate oz. napovedi pa prikažemo na pregledni plošči. Uporabniku prav tako omogočimo izbiro filma, kjer na podlagi njegovega opisa prikažemo vse ključne besede.
Keywords: Pregledna plošča Dash, Analiza filmov, Strojno učenje, Ekstrakcija ključnih besed, Regresijsko drevo, Naivni Bayes, RAKE algoritem
Published in DKUM: 26.10.2022; Views: 144; Downloads: 19
.pdf Full text (1,34 MB)

5.
Spremljanje obrabe rezalnega orodja z uporabo umetne inteligence : diplomsko delo
Andrej Jukić, 2022, undergraduate thesis

Abstract: V diplomskem delu so na začetku predstavljena obravnavana področja, kjer se teoretično spoznamo s proizvodnimi sistemi, umetno inteligenco, klasifikacijo, učnimi algoritmi, merami za ocenjevanje in z obdelovalnim postopkom rezkanja. Bistvenega pomena je področje klasifikacije in mer za ocenjevanje, zaradi tega sta ti dve področji bolj podrobno opisani. Po teoretičnem izhodišču sledi poglavje praktične izvedbe, pri katerem smo predstavljeno teorijo uresničili. V tem sklopu so opisani trije poizkusi, kjer smo preverjali zastavljene teze s pomočjo gravirnega stroja Lakos 150 in računalniškega programa Matlab, ki je podpiral strojno učenje (klasifikacijo). S poizkušanjem smo tako potrdili vse teze, dosegli večino zastavljenih ciljev, pri čemer nismo dosegli glavnega cilja dela (uspešna klasifikacija glede na status orodja) zaradi strokovne zahtevnosti področja.
Keywords: umetna inteligenca, strojno učenje, klasifikacija, rezkanje
Published in DKUM: 25.10.2022; Views: 85; Downloads: 12
.pdf Full text (2,03 MB)
This document has many files! More...

6.
Prenos znanja med modeli nevronskih mrež z metodo destilacije : diplomsko delo
Matic Marušič, 2022, undergraduate thesis

Abstract: S pojavom vedno večjih zbirk podatkov se je pojavila tudi potreba po vedno večjih modelih strojnega učenja za učenje in napovedovanje na teh zbirkah, kot so nevronske mreže. Posledica tega je nezmožnost uporabe na napravah z omejenimi prostorskimi in računskimi viri, npr. na pametnih mobilnih napravah, pametnih urah in kamerah. Potencialna rešitev je prenos znanja, kjer znanje večjega modela nevronske mreže destiliramo v pomanjšan model nevronske mreže, ki se lahko potem uporablja na robnih napravah. V diplomskem delu smo preizkusili koncept destilacije na klasifikacijskih problemih, ga prenesli na regresijske probleme ter analizirali učinkovitost z uporabo klasičnih metrik uspešnosti.
Keywords: strojno učenje, destilacija znanja, prenos znanja, nevronska mreža
Published in DKUM: 24.10.2022; Views: 115; Downloads: 16
.pdf Full text (2,54 MB)

7.
Razširitev brskalnika s sistemom priporočanja v Pythonu : diplomsko delo
Aljaž Herzog, 2022, undergraduate thesis

Abstract: Namen diplomskega dela je bil razviti razširitev za brskalnik s sistemom priporočanja. Razširitev zbira uporabnikove oglede računalniških komponent in mu s pomočjo strojnega učenja priporoča podobne komponente. Informacije o komponentah smo pridobili s slovenskih spletnih strani in se shranjujejo v bazo podatkov. Uporabnik lahko ureja svoje komponente in išče druge izdelke v bazi z več kot 2.700 vnosi. Primerja lahko cene izdelka iz drugih spletnih trgovin in izbere najcenejšega. Rezultati, ki smo jih dobili pri testiranju kažejo, da so priporočila odvisna od: proizvajalca, števila podatkov o izdelku in števila vnosov posameznih vrst izdelka v bazo podatkov.
Keywords: React, Flask, strojno učenje, priporočilni sistem
Published in DKUM: 21.10.2022; Views: 81; Downloads: 14
.pdf Full text (2,08 MB)

8.
Klasifikacija glasbenega žanra glede na spektrogram zvočnega posnetka : diplomsko delo
Tadej Lahovnik, 2022, undergraduate thesis

Abstract: V diplomskem delu smo se poglobili v izdelavo različnih tipov spektrogramov in klasifikacijo slik z uporabo konvolucijskih nevronskih mrež. Zanimalo nas je, ali je možno zanesljivo napovedati žanr zvočnega posnetka glede na spektrogram, ki mu pripada. Tekom razvoja smo ustvarili tri različne tipe spektrogramov. Za vsak tip smo ustvarili ločen klasifikacijski model, nato pa smo iz vseh treh modelov sestavili klasifikacijski ansambel. Tako smo dobili najbolj zanesljive rezultate. Klasifikacijo smo nato ovrednotili s številnimi metrikami, kjer nas je najbolj zanimala sama točnost klasifikacije. Iz matrike zmede smo izčrpali najpogostejše napake pri klasifikaciji.
Keywords: klasifikacija, spektrogram, strojno učenje, nevronske mreže, glasbeni žanr
Published in DKUM: 20.10.2022; Views: 111; Downloads: 20
.pdf Full text (1,50 MB)

9.
Vzorčenje soseščine v heterogenih grafih pri grafovskih nevronskih mrežah : magistrsko delo
Vid Keršič, 2022, master's thesis

Abstract: Grafovske nevronske mreže so v zadnjem času eno izmed najbolj aktivnih področij raziskovanja globokega učenja. Uspešno so bile uporabljene pri problemih, kjer so podatki predstavljeni v obliki grafa, na primer pri analizi družbenih omrežij, napovedovanju prometa, razvoju zdravil itd. Kljub nekaterim zelo dobrim rezultatom pa ostaja še veliko odprtih izzivov pri uporabi nevronskih mrež na zelo velikih grafih, kjer smo omejeni z zmogljivostjo strojne opreme. V magistrskem delu naslavljamo problem uporabe grafovskih nevronskih mrež na obsežnih heterogenih grafih, kjer se med učenjem izvaja vzorčenje soseščine na vsaki plasti mreže, pri čemer se velikosti vzorca omejijo s hiperparametri. Heterogeni grafi vsebujejo več različnih tipov vozlišč in povezav, kar je pri vzorčenju soseščine koristno upoštevati in optimizirati vrednosti hiperparametrov za posamezne tipe povezav. Za reševanje tega problema predstavimo in analiziramo lasten algoritem, ki odpravi potrebo po časovno zahtevnem procesu obravnavanja in nastavljanja hiperparametrov za vse tipe vozlišč ter povezav. Prednosti algoritma z vidika časovne zahtevnosti in uspešnosti klasifikacije prikažemo na dveh grafih – akademskem grafu MAG240M, ki vsebuje več kot 240 milijonov vozlišč in nekaj manj kot 2 milijardi povezav, ter grafu znanja Freebase.
Keywords: umetna inteligenca, strojno učenje, heterogeni grafi, grafovske nevronske mreže
Published in DKUM: 20.10.2022; Views: 79; Downloads: 22
.pdf Full text (1,59 MB)

10.
CRISP-DM procesni model za podatkovno rudarjenje
Tadej Roškarič, 2022, undergraduate thesis

Abstract: Z vedno večjim napredkom tehnologije je na voljo vse več kapacitet za shranjevanje in analizo podatkov, pri čemer podatkovne baze postajajo vse kompleksnejše in iz tega razloga potrebujemo standardizirane postopke za analitično procesiranje. Medpanožni standardni postopek za podatkovno rudarjenje CRISP-DM (angl. Cross-Industry Standard Process for Data Mining) je primer tovrstnega standarda, ki je od njegovega nastanka leta 1996 še vedno med glavnimi procesnimi modeli na področju podatkovnega rudarjenja v vseh gospodarskih sektorjih. V tem diplomskem delu opredelimo njegove posamezne faze in korake ter jih podrobno opišemo. Ker podatkovno rudarjenje zaradi njegove poslovne vrednosti pridobiva vedno večji pomen, se na tem področju pojavlja vse več alternativ, zato CRISP-DM primerjamo z modeloma SEMMA (angl. Sample, Explore, Modify, Model, Assess) in ASUM-DM (angl. Analytics Solutions Unified Method for Data Mining) z zaključkom, da slednja nista dovolj fleksibilna za status splošnega standarda. Pregledali smo ustrezno literaturo in opravili študijo primera, v kateri smo optimizirali marketinško kampanjo za bančne storitve na podlagi podatkov portugalske finančne institucije. Po analizi literature in končanem praktičnem primeru smo pretehtali vpliv posameznih faz na kakovost rezultatov in ugotovili, da je v akademskem svetu najmanj pokrita prav faza uvedbe, ki pa je v praksi nepogrešljivega pomena. Prav tako smo izpostavili nekatere ključne pomanjkljivosti, ki znotraj originalnega CRISP-DM procesnega modela niso rešene. V ta namen smo predlagali dodatne korake, kot so postopek zbiranja podatkov, razširitev procesa uvedbe modela in nova faza podatkovne etike. Na podlagi teh predlogov ugotavljamo, da potreba po razširitvi prvotnega CRISP-DM modela obstaja.
Keywords: CRISP-DM, podatkovno rudarjenje, Python, procesni model, strojno učenje
Published in DKUM: 13.10.2022; Views: 116; Downloads: 15
.pdf Full text (2,24 MB)
This document has many files! More...

Search done in 0.16 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica