| | 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 / 145
First pagePrevious page12345678910Next pageLast page
1.
Uporaba strojnega učenja za zaznavo kibernetskih napadov : magistrsko delo
Benjamin Steiner, 2024, master's thesis

Abstract: Strojno učenje se vse več uporablja v povezavi z zaznavo kibernetskih napadov, saj lahko s tem načinom zaznamo tudi bolj napredne kibernetske napade kot z drugimi načini zaznave. Glavni element učenja algoritmov nadzorovanega strojnega učenja za katero koli domeno uporabe so ustrezno označeni učni podatki, prek katerih se algoritem uči in kasneje tudi deluje. Ne vemo pa, točno koliko podatkov ti algoritmi potrebujejo za učenje, da postanejo učinkoviti. V magistrskem delu je bila uporabljena podatkovna zbirka UNSW-NB15, ki vsebuje več milijonov paketkov simuliranega omrežnega prometa in devet različnih kibernetskih napadov, kjer je vsak paketek že označen kot običajen mrežni promet ali kibernetski napad. Izvedeno je bilo učenje sedmih najpogostejših algoritmov strojnega učenja pri različnih deležih uporabljenih podatkov, da se je lahko določilo, pri katerih deležih učnih podatkov se merjene metrike normalizirajo. Rezultati so pokazali, da se je v povprečju metrike izbranih algoritmov normaliziralo okoli 10 % uporabljenih učnih podatkov (8233 vnosov), kar lahko pripomore k izdelavi bolj učinkovitih algoritmov za zaznavo kibernetskih napadov.
Keywords: kibernetski napadi, strojno učenje, lokalna omrežja, Python, UNSW-NB15, magistrska dela
Published in DKUM: 05.07.2024; Views: 83; Downloads: 16
.pdf Full text (1,41 MB)

2.
Uporaba metod strojnega učenja za izboljšanje procesa vodenja nalog pri projektnih dejavnostih
Tatyana Unuchak, 2024, master's thesis

Abstract: Namen te raziskave je ugotoviti, kako lahko uporaba tehnik strojnega učenja izboljša procese upravljanja nalog v projektnih dejavnostih podjetij. Študija je bila izvedena z uporabo metodologije CRISP-DM na podatkih iz dveh virov o projektih Jira. Glavni koraki priprave podatkov so vključevali čiščenje podatkov, tokenizacijo, lematizacijo in uravnoteženje. Modeliranje je bilo izvedeno z uporabo petih klasifikatorjev: Random Forest, SVC (angl. support vector classifier), Logistic Regression, Gradient Boosting in kNN. Upoštevani so bili različni pristopi k razvrstitvi podatkov: razvrstitev v dva, tri in štiri razrede. Analiza je pokazala, da čiščenje podatkov iz tehničnih informacij ne vpliva na rezultate razvrščanja. Uravnoteženje je izboljšalo rezultate. Po našem mnenju je razvrstitev podatkov v dva, tri in celo štiri razrede pokazala dobre rezultate. Uvedba sentimentalne sestavine v model ni izboljšala rezultatov razvrščanja. Menimo, da je bil cilj raziskave dosežen. Nadaljnje raziskave so lahko usmerjene v izboljšanje algoritmov za čiščenje opisov projektnih nalog iz tehničnih informacij. Naši rezultati in priporočila bodo pripomogli k izboljšanju procesov upravljanja nalog v projektih in povečanju njihove učinkovitosti.
Keywords: vodenje projektov, strojno učenje, prioriteta nalog, algoritmi za razvrščanje
Published in DKUM: 05.07.2024; Views: 41; Downloads: 3
.pdf Full text (6,35 MB)

3.
Učinkovitost algoritmov umetne inteligence pri mikroplaniranju proizvodnje
Vukašin Radisavljević, 2024, undergraduate thesis

Abstract: Diplomsko delo se osredotoča na analizo podatkov v kontekstu uporabe umetne inteligence pri mikroplaniranju proizvodnje. Na podlagi analize pridobljenih podatkov smo identificirali zakonitosti in trende, ki se nanašajo na učinkovitost sistema za napredno planiranje in razporejanje proizvodnje z umetno inteligenco Qlector LEAP. Opažamo korelacije med relativno napako planiranja s Qlector LEAP-om in številom poskusov planiranja, pri čemer opažamo določene trende za določene izdelke. Primerjamo učinek planiranja Qlector LEAP-a tudi z učinkom planiranja po normativih. Razprava se osredotoča tudi na tehnološke, kadrovske in organizacijske dejavnike ter priporoča organizacijske ukrepe za izboljšanje učinkovitosti planiranja z LEAP-om. Kljub izzivom pri dokazovanju hipotez je razprava pokazala možnosti za nadaljnje raziskave, ki vključujejo kvantifikacijo zanesljivosti planiranja z LEAP-om in preučevanje drugih modulov Qlector LEAP-a. Skupaj s postavljenimi organizacijskimi ukrepi diplomsko delo zagotavlja osnovo za nadaljnje raziskave na tem področju.
Keywords: umetna inteligenca, strojno učenje, mikroplaniranje proizvodnje, sistem za napredno planiranje in razporejanje proizvodnje, merjenje učinka
Published in DKUM: 13.06.2024; Views: 103; Downloads: 8
.pdf Full text (4,53 MB)

4.
Primerjava podpornih vektorjev, naključnih gozdov in nevronskih mrež za napoved odziva na zdravljenje z adalimumabom pri slovenskih bolnikih s crohnovo boleznijo
Katja Nemec, 2024, master's thesis

Abstract: Uvod: V našem magistrskem delu smo želeli ugotoviti učinkovitost metod strojnega učenja pri napovedi odziva bolnikov s Chronovo boleznijo na biološko zdravilo adalimumab. Metode: Raziskava je vključevala 88 vzorcev, ki so bili analizirani glede na genetske, klinične in mešane podatke v različnih tednih zdravljenja. Uporabljene metode, kot so naključni gozdovi (RF), podporni vektorji (SVM) in nevronske mreže (NNET), so bile evalvirane z uporabo različnih metrik natančnosti, občutljivosti in Youdenovega indeksa. Rezultati: Rezultati kažejo, da je metoda RF najboljša na mešanih podatkih, SVM izstopa pri kliničnih, medtem ko NNET in RF dosegata najboljše rezultate na genetskih podatkih v različnih obdobjih zdravljenja. Uporaba metode "bagging" je izboljšala natančnost, še posebej pri RF. Kljub temu se zahteva previdnost pri interpretaciji zaradi omejene velikosti vzorca. Razprava: Naša analiza poudarja potrebo po preudarnem izboru metode, odvisnem od specifičnih značilnosti podatkov in ciljev analize. Sklep: Naše ugotovitve na podlagi analize predstavljajo osnovo za nadaljnje raziskave v smeri izboljšanja natančnosti modelov napovedi zdravljenja.
Keywords: Crohnova bolezen, bioinformatika, napovedni modeli, strojno učenje
Published in DKUM: 26.03.2024; Views: 218; Downloads: 9
.pdf Full text (3,95 MB)

5.
Razvoj sistema za zaznavo oglasov s pomočjo strojnega učenja : magistrsko delo
Leon Abraham, 2023, master's thesis

Abstract: Magistrsko delo opisuje celotni postopek izdelovanje sistema za iskanje oglasa v toku posnetkov. Vsebuje predstavitev predobdelave oglasa ter posnetkov, iskanje slike v posnetku z lastno implementacijo ter s pomočjo storitve AWS Rekognition, uporabniški vmesnik ter predstavitev rezultatov oziroma testiranje sistema. Aplikacija deluje na podlagi iskanja dveh podobnih slik kjer v primeru podobnosti uporabnik dobi določene meta podatke (čas ujemanja, odstotek ujemanja ter ime datoteke) ter sliko, kdaj se je pojavil oglas v toku posnetkov. Sistem smo ovrednotili z mero F1, kjer smo dobili 100% uspešnost.
Keywords: strojno učenje, zaznava oglasov, AWS, FFMPEG
Published in DKUM: 22.12.2023; Views: 526; Downloads: 82
.pdf Full text (3,44 MB)

6.
Podatkovni kanjoni, pristop strojnega učenja za potrebe razložljive umetne inteligence : doktorska disertacija
Bojan Žlahtič, 2023, doctoral dissertation

Abstract: Z uporabo algoritmov strojnega učenja je mogoče izvesti zapletene analize in pridobiti globlje vpoglede na osnovi obsežnih količin podatkov, kar presega človeške zmožnosti. Navedena značilnost je ključni dejavnik, zaradi katerega je strojno učenje vpeljano v številne domene. Kljub številnim prednostim ni vedno možno integrirati strojnega učenja na določena področja, predvsem zaradi tega, ker se za naprednimi metodami pogosto skrivajo modeli tipa črne skrinje. Ti modeli uporabnikom ne omogočajo vpogleda v logiko njihovega odločanja, kar lahko predstavlja oviro v kontekstih, kjer so odločitve kritične in lahko napačna odločitev vodi v resne posledice. Z namenom ublažiti te problematike smo razvili metodo strojnega učenja, temelječo na naravnem pojavu rečnih kanjonov. Ta pojav lahko vizualiziramo v digitalni grafični obliki, kar omogoča intuitiven prikaz logike odločanja. Rezultat je model strojnega učenja, ki generira globinske slike gibanja podatkov za posamezen razred. V teh slikah je pripadnost posamezne instance kanjonu prikazana s pomočjo barvno kodiranih grafov. Podatkovni kanjoni se zaradi svojih lastnosti in metodologije lahko uporabljajo za potrebe razložljive umetne inteligence, bodisi samostojno ali kot dopolnilni mehanizem drugim pristopom strojnega učenja.
Keywords: razložljiva umetna inteligenca, strojno učenje, klasifikacija, razložljivost, zaupanje
Published in DKUM: 05.12.2023; Views: 396; Downloads: 74
.pdf Full text (3,26 MB)

7.
Napovedovanje gostote prometa z uporabo strojnega učenja
Andraž Kralj, 2023, master's thesis

Abstract: V magistrskem delu naslavljamo problem dolgoročnih napovedi prometa. V ta namen najprej predstavimo sorodno delo in podamo teoretično osnovo izvedbe različnih modelov strojnega učenja ter kodiranja cikličnih podatkov. V nadaljevanju podrobneje predstavimo naš pristop, ki omogoča izvedbo letnih napovedi z urno ločljivostjo. Različne pristope pri tem sistematično primerjamo in z rezultati pokažemo, da smo obravnavni problem najučinkoviteje naslovili z uporabo metode XBoost in kodiranja cikličnih podatkov s podobnostjo.
Keywords: strojno učenje, promet, ansambel dreves, značilnice, obdelava podatkov
Published in DKUM: 07.11.2023; Views: 265; Downloads: 59
.pdf Full text (17,28 MB)

8.
Razpoznava suše z integracijo senzorskih in rastrskih podatkov : diplomsko delo
Luka Hauko, 2023, undergraduate thesis

Abstract: V sklopu diplomskega dela predstavljamo metodo za razpoznavanje suše, ki temelji na integraciji satelitskih podatkov, iz njih izvedenih podatkovnih produktov, kot sta to normaliziran vegetacijski indeks in indeks vlažnostnega stresa, s senzorskimi podatki o vremenu, vključno s povprečnimi padavinami, zračno vlažnostjo in temperaturo. Podatke smo pridobili preko aplikacijskih programskih vmesnikov ter jih integrirali v podatkovne zbirke, nad katerimi smo izvedli strojno učenje. Slednje je vključevalo metode k-najbližjih sosedov, podporne vektorje in naključni gozd. Rezultati so pokazali, da v našem primeru dosežemo najvišjo natančnost glede na metriko F1 z uporabo slednjega.
Keywords: suša, strojno učenje, razpoznava
Published in DKUM: 05.10.2023; Views: 278; Downloads: 21
.pdf Full text (2,96 MB)

9.
Metoda za izboljšanje prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov z uporabo lokalnih meritev in satelitskih slik : doktorska disertacija
Jernej Cukjati, 2023, doctoral dissertation

Abstract: V doktorski disertaciji predstavimo novo metodo za izboljšavo prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov. Geoprostorske podatke pogosto dobimo tudi iz meritev, ki jih zajamemo z lokalnimi ali s satelitskimi senzorji. Pomanjkljivost teh zajemov so redki lokalni senzorji in nizka časovna ločljivost satelitskih slik. Prostorsko in časovno ločljivost izboljšamo s souporabo podatkov iz meritev obeh podatkovnih virov. Najprej opazovano območje razdelimo v mrežo pikslov in nad lokalnimi senzorji sestavimo Voronoijev diagram. Središča Voronoijevih celic ustrezajo lokacijam lokalnih senzorjev, ki v danem časovnem trenutku vračajo veljavne izmerjene vrednosti. Za nabor pikslov znotraj vsake posamezne Voronoijeve celice zgradimo ločene regresijske modele s strojnim učenjem. Razlagalne spremenljivke regresijskih modelov so pretekli podatki iz meritev lokalnih senzorjev trenutno izbrane Voronoijeve celice in njenih sosed, ciljne vrednosti pa so iz izbranega nabora pikslov satelitskih slik. Po izračunu vrednosti okoljske spremenljivke v vseh pikslih na opazovanem območju dobimo geolocirano rastrsko sliko okoljske spremenljivke. Predlagano metodo smo uporabili na podatkih meritev lokalnih senzorjev in satelitskih slik toplogrednega plina NO2. Regresijske modele smo zgradili s tremi metodami: algoritmom najbližjih sosedov, linearno regresijo in večplastno naprej usmerjeno nevronsko mrežo. Najvišjo točnost smo dosegli z nevronsko mrežo. Predlagano metodo smo primerjali s petimi referenčnimi metodami, ki so bile predstavljene v zadnjih treh letih. Te metode so: geografsko-časovno obtežena nevronska mreža, prilagodljiva grafovska konvolucijska povratna nevronska mreža, časovna grafovska konvolucijska nevronska mreža z mehanizmom pozornosti, nevronska mreža za izmenjevanje sporočil, združena z mrežami dolgega kratkoročnega spomina, in globoko ansambelsko strojno učenje. Po točnosti je najboljše rezultate dala naša metoda. Najbolj se nam je približala metoda, sestavljena iz nevronske mreže za izmenjavo sporočil in nevronske mreže z dolgim kratkoročnim spominom. Od te smo bili točnejši za približno 5 %.
Keywords: računalništvo, strojno učenje, k-najbližji sosedje, linearna regresija, naprej usmerjena nevronska mreža, daljinsko zaznavanje
Published in DKUM: 02.10.2023; Views: 478; Downloads: 74
.pdf Full text (5,61 MB)

10.
Določitev potenciala prožnosti pri uporabnikih distribucijskega omrežja : magistrsko delo
Jaka Rober, 2023, master's thesis

Abstract: V magistrskem delu je opisan postopek določitve potenciala prožnosti gospodinjskih odjemalcev z namenom upravljanja prezasedenosti distribucijskega omrežja. Opisani so izziv sodobnega distribucijskega omrežja s poudarkom na vključevanju obnovljivih virov energije v omrežje. Predstavljen je koncept izvajanja prožnosti v elektroenergetskem sistemu in pomen aktivnega odjemalca v distribucijskem omrežju. Na osnovi realnih podatkov preobremenjene transformatorske postaje in povezanih odjemalcev je izvedena določitev prožnosti z ovrednotenjem napovedanih vzorcev porabe. Pri napovedi porabe so uporabljene različne metode, vključno s povprečenjem, tehnikami strojnega učenja in polinomsko interpolacijo. Za odjemalce z največjim potencialom prožnosti so razviti scenariji za obvladovanje preobremenitev transformatorske postaje.
Keywords: aktivni odjemalec, prožnost, odpravljanje prezasedenosti, napoved porabe, strojno učenje
Published in DKUM: 18.09.2023; Views: 524; Downloads: 157
.pdf Full text (17,63 MB)

Search done in 11.06 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica