| | 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 / 95
First pagePrevious page12345678910Next pageLast page
1.
Razvoj metodologije za avtomatično klasifikacijo elektronskih publikacij v univerzalno decimalno klasifikacijo – udk24112018
Matjaž Kragelj, 2019, doctoral dissertation

Abstract: Čeprav so znanstveni in strokovni članki večinoma bibliografsko obdelani in imajo zapis v knjižničnem katalogu COBIB, ter s tem definiranega enega ali več vrstilcev iz sistema Univerzalne decimalne klasifikacije (UDK), je večina člankov, dostopnih prek portala Digitalne knjižnice Slovenije, predvsem s področja kulture (starejši članki iz revij in časopisov), ki takšnega zapisa nimajo. Na spletnem mestu Digitalne knjižnice Slovenije je mogoče preiskovanje dokumentov zgolj po polnem besedilu. To je trenutno najboljše orodje za preiskovanje starejših besedil, a uporaba in preiskovanja publikacij na tak način, zaradi pomanjkljivosti (slabša kvaliteta razpoznave besedila v časopisih in revijah starejšega tipa, uporaba stare slovenščine, itd.) in prevelikega števila vrnjenih zadetkov pri iskanju, ne nudi sodobne uporabniške izkušnje in uporabniku otežuje delo. Osnovni problem, ki ga naslavljamo v disertaciji je pomoč pri bibliografski obdelavi besedil, ki je še vedno v rokah človeških ekspertov. Izhajamo iz teze, da je s pomočjo metod strojnega učenja možno avtomatsko klasificirati besedila v ustrezen UDK vrstilec in s tem podpreti človeka pri bibliografski obdelavi zapisov. V ta namen smo po pristopu načrtovanja in razvoja razvili klasifikacijski model, ki smo ga uporabili za klasificiranje starih besedil, ki so bila doslej klasificirana večinoma zgolj posredno, preko klasifikacije celotne revije oz. časopisa, kot na primer "Časopisi. Tisk. Novinarstvo". V disertaciji smo razvili klasifikacijski model s pomočjo metod strojnega učenja, s katerimi smo uspeli avtomatsko klasificirati kakršnokoli besedilo s pomočjo Univerzalne decimalne klasifikacije. Med tehnikami strojnega učenja smo se poslužili nenadzorovanega in nadzorovanega učenja. V prvem koraku smo nad manjšo množico podatkov (900 člankov) nenadzorovano učenje uporabili za preverjanje sorodnosti med dodeljenimi UDK vrstilci s strani bibliotekarjev in izgrajenimi gručami s strani algoritma. V drugem koraku smo nad celotnim korpusom znanstvenega časopisja Digitalne knjižnice Slovenije (več kot 70.000 znanstvenih besedil) razvili klasifikacijske modele, kjer je bilo razmerje učne in testne množice je bilo 80/20 odstotkov. Ko smo potrdili uspešnost klasifikacijskih modelov nad znanstvenimi besedili, smo jih uporabili za klasifikacijo več kot 200.000 starejših besedil. Uporabili smo Naivni Bayesov klasifikator, Metodo podpornih vektorjev, Večslojni perceptron, Logistično regresijo in algoritem k najbližjih sosedov. Ustreznost klasifikacije starih besedil smo preverili s človeškimi eksperti – bibliotekarji. Potrdili smo domnevo, da lahko s pomočjo znanstvenih in strokovnih člankov, klasificiranih v UDK, v vsaj 80% primerov ponudimo avtomatsko določene UDK vrstilce za starejše gradivo, ki ni bibliotekarsko obdelano. Poudariti velja, da gre pri tem delu za človeško odločitev, testiranje s človeškimi eksperti, za oceno in presojo, ki lahko variira od odločevalca do odločevalca. Poleg oplemenitenja starejših besedil iz osemnajstega, devetnajstega in prve polovice dvajsetega stoletja s vsebinskimi oznakami UDK vrstilcev, ima raziskava praktično moč v vsakodnevni rabi. Z gledišča podpore avtomatske klasifikacije publikacij pri vsakodnevnem delu bibliotekarjev, vidimo moč implementacije raziskave v informacijski sistem, ki je bibliotekarju sposoben v realnem času ponuditi izračunane predloge za določitev primernih klasifikatorjev publikacije, ki jo obdeluje. Bibliotekar lahko pridobi s strani stroja "drugo mnenje" pri procesu dodeljevanja UDK vrstilcev publikaciji, ki jo obdeluje. Hkrati je metodologija lahko uporabljena na različnih področjih in podatkovnih bazah ter klasifikacijskih sistemih, ne zgolj za dodeljevanje UDK vrstilcev.
Keywords: Umetna inteligenca, strojno učenje, podatkovno rudarjenje, Univerzalna decimalna klasifikacija, klasifikacija besedil
Published: 03.02.2021; Views: 39; Downloads: 5
.pdf Full text (4,35 MB)

2.
Ocenjevanje zaupanja v globokih nevronskih mrežah
Daniel Hari, 2020, master's thesis

Abstract: V magistrskem delu so predstavljeni pristopi ocenjevanja zaupanja v globokih nevronskih mrežah na primeru razpoznave števk. Ti pristopi nam omogočajo izboljšavo kakovosti razpoznave števk, s čimer se približamo natančnosti človeka, ki za bazo MNIST znaša 97,5–98 %. V delu se bomo osredotočili predvsem na dva pristopa, in sicer z Bayesovim učenjem in vzorčenjem z izpustnimi sloji. Bayesovo učenje je matematično bolj zahteven postopek, saj deluje tako, da vsak vhodni podatek v nevronsko mrežo obravnavamo kot porazdelitev verjetnosti in ne kot deterministično določeno vrednost. Pri tehniki vzorčenja z izpustnimi sloji je za vsakim skritim slojem mreže dodan stohastični izpustni sloj, tako da lahko na izhod iz modela gledamo kot na naključni vzorec, ki je ustvarjen iz aposteriorne porazdelitve. Takšen postopek je sicer računsko manj zahteven, daje pa podoben rezultat. Magistrsko delo je sestavljeno iz teoretičnega in eksperimentalnega dela. V teoretičnem delu so predstavljeni pojmi, kot so umetna inteligenca in sestava nevronske mreže ter podroben opis Bayesovega učenja in vzorčenja z izpustnimi sloji. V eksperimentalnem delu so prikazani pristopi razpoznave števk z Bayesovim učenjem in pristopi, ki uporabljajo tehnike vzorčenja z izpustnimi sloji. Podana je tudi primerjava postopkov.
Keywords: umetna inteligenca, Bayesov pristop, izpustni sloji, strojno učenje.
Published: 29.01.2021; Views: 56; Downloads: 20
.pdf Full text (2,94 MB)

3.
Umetna inteligenca v crm sistemih
Mojca Knez, 2020, undergraduate thesis

Abstract: Kupci so za obstoj podjetja na trgu zelo pomembni. Podjetja želijo kupcem zagotavljati čim boljšo uporabniško izkušnjo, za kar je potrebno kupca poznati. V ta namen so podjetja pričela z uporabo sistemov CRM, ki jim omogoča, da lahko kupcu nudijo dobro uporabniško izkušnjo. V diplomski nalogi bomo obravnavali kaj so CRM sistemi, katere prednosti prinašajo podjetjem ter opisali tri ponudnike teh sistemov. Ker pa so sistemi prepleteni tudi z umetno inteligenco, bomo predstavili tudi kaj umetna inteligenca sploh je in kako je vpletena v rešitve CRM. Cilj diplomske naloge je ugotoviti ali lahko rešitve CRM prinašajo podjetju konkurenčno prednost in kako je umetna inteligenca prepletena s sistemi. Zaključili smo, da sistemi CRM prinašajo podjetjem veliko prednosti, saj kupca bolje spoznajo. Z dobrim poznavanjem svojih kupcev, podjetje obdrži stranke in kupce, ter si tako lahko zagotavlja konkurenčno prednost, zaradi dobrih izkušenj kupcev in strank. Ker so to računalniško podprti sistemi pa imamo v ozadju tudi umetno inteligenco. Nekatera podjetja postavljajo umetno inteligenco že v ospredje. Tudi razvijalci sistemov in ponudniki, so prepoznali koristi umetne inteligence in tako razvili programe, kjer se umetna inteligenca konkretno prepleta s samim sistemom. Zaključimo lahko tako, da preplet umetne inteligence in sistemov CRM prinaša veliko prednosti in pomaga zagotavljati boljšo podporo strankam, vendar je pomembno, da podjetja še naprej ohranjajo tudi človeški stik, ki je za kupce in stranke lahko izrednega pomena.
Keywords: CRM, umetna inteligenca
Published: 30.11.2020; Views: 100; Downloads: 17
.pdf Full text (622,10 KB)

4.
Umetna inteligenca – trenutni in prihodnji izzivi bančništva
Jasmina 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: 30.11.2020; Views: 113; Downloads: 31
.pdf Full text (620,32 KB)

5.
Uporaba umetne inteligence v rešitvah crm na primeru rešitve salesforce
Nina Belšak, 2020, undergraduate thesis

Abstract: Kupec je najpomembnejši del prodajnega procesa, saj brez kupca ni prodaje in brez prodaje ni dobička. Zato je upravljanje odnosov s kupci, skrajšano CRM, bil in bo ostal eden najpomembnejših pojmov na področju prodaje. Skozi leta se je prodajni proces spreminjal, z njim pa so se spreminjale zahteve in pričakovanja strank. Zaradi vedno večjih zahtev strank, velikih količin podatkov in vedno več dela, so nastali prvi CRM sistemi. V prvem delu diplomske naloge bo podrobneje opisano celotno področje upravljanja odnosov s strankami. Opisane bodo funkcionalnosti, vrste, prednosti in slabosti ter cilji in trendi CRM rešitev. V zadnjih letih je vedno pogostejši CRM v oblaku, preko katerega se povežemo s pomočjo internetne povezave. Sistemi, ki temeljijo na oblaku, omogočajo hitrejše, enostavnejše in cenejše prilagajanje spremembam. Zato jih je lažje integrirati tudi z drugimi aplikacijami. V drugem delu bo opisana integracija CRM-ja z AI. AI oziroma umetna inteligenca pomeni zmožnost posnemanja človeških reakcij, dejanj in čustev s pomočjo strojev, robotov in računalnikov. AI rešitev CRM rešitev nadgrajuje s svojimi naprednimi funkcijami, kot so: strojno učenje, globoko učenje, avtomatizacija procesov, napovedi prodaje in uspešnih poslov, prilagojeni klepeti, obdelava naravnega jezika, strojni vid, čustvena analitika in mnoge druge. Na koncu diplomske naloge bo predstavljeno podjetje Salesforce, ki je globalna in vodilna platforma za CRM, uporablja pa jo več kot 150.000 podjetij po vsem svetu. Je sistem, s samostojnimi aplikacijami za prodajo, ki temeljijo na oblaku, zato jih lahko na enostavne načine integriramo z zunanjimi aplikacijami, kot so e-pošta in socialni mediji. Ena izmed najvplivnejših rešitev Salesforca je Einstein. Salesforce Einstein pozitivno vpliva na področja marketinga, prodaje in storitev za stranke. Opisane bodo zmogljivosti in prednosti, ki jih rešitev Salesforce Einstein predstavlja za različna podjetja. Je eden izmed primerov umetne inteligence integrirane z rešitvijo CRM.
Keywords: Upravljanje odnosov s strankami, Umetna inteligenca, Salesforce, Einstein, Strojno učenje, Globoko učenje, Sistem v oblaku, Prodajni proces
Published: 24.11.2020; Views: 102; Downloads: 41
.pdf Full text (1,31 MB)

6.
Napovedovanje intervencij z uporabo umetne inteligence
Rok Rutnik, 2020, master's thesis

Abstract: Namen naloge je izdelava matematičnih modelov napovedovanja za odločitve upravljanja, osnovane na inteligentnih, kvantitativnih analizah. Magistrsko delo obravnava področje napovedovanja števila interventnih dogodkov Gasilske brigade Maribor s pomočjo umetne inteligence in regresijskih modelov. Učne množice podatkov so bile pridobljene iz baz podatkov SPIN in ARSO, obdelane v programskem jeziku Python, modeli napovedovanja pa programirani v programskem paketu MATLAB. Cilj naloge je bil izdelava štirih regresijskih algoritmov, umetne nevronske mreže LSTM in NARX za napovedovanja dogodkov, njihove rezultate pa preko metrik ocenjevanja natančnosti medsebojno primerjati. Rezultati napovedovanja nekaterih učnih množic so bili zaradi majhnih korelacijskih povezav slabi, zato teh dogodkov nismo mogli napovedovati. Požarne intervencije in naravne nesreče so dale dovolj dobre rezultate korelacijskih analiz, zato so bile uporabljene v izgradnji nevronskih mrež. Glede na rezultate zbranih modelov menimo, da so nevronske mreže primernejše za napovedovanje interventnih dogodkov kot regresijski modeli.
Keywords: napovedovanje, umetna inteligenca, nevronske mreže, strojno učenje, regresija
Published: 11.11.2020; Views: 78; Downloads: 22
.pdf Full text (7,00 MB)

7.
Informacijske tehnologije za prvo psihosocialno pomoč
Miha Peternelj, 2020, undergraduate thesis

Abstract: Uvod: V diplomskem delu smo raziskali, ali lahko s pomočjo sodobnih informacijskih tehnologij zagotovimo osnovno prvo psihosocialno pomoč tudi osebam, ki je drugače ne bi prejele ali pa se ne želijo izpostavljati in je poiskati same. Namen: Želeli smo preveriti, ali je današnja družba pripravljena na interakcijo in implementacijo informacijske tehnologije v povezavi z lastnim tako fizičnim kot mentalnim zdravjem. Metode dela: Želene in iskane podatke smo dobili z iskanjem podobnih rešitev na spletu, pridobivanjem informacij s pomočjo spletnih člankov ter druge literature, tudi s pomočjo spletnih portalov, kot je YouTube. Relevantne podatke za analizo in statistično obdelavo smo pridobili predvsem s spletno anketo, bazen anketirancev pa smo polnili s pomočjo socialnih omrežij. Rezultati: S pomočjo anketnega vprašalnika smo pridobili informacije o poznavanju prve psihosocialne pomoči, uporabi pametnih naprav v vsakdanu, ter zaupanju v informacije, ki bi jih moderna tehnologijja s pomočjo umetne intelligence ponudila na področju mentalnega zdravja ter spoprijemanja s stresom. Z njegovo pomočjo smo tudi statistično obdelali podatke. Zajetih je bilo 150 anketirancev. Vprašalnik je bil razdeljen na dva dela, kjer so anketiranci odgovarjali na vprašanja, vezana na poznavanje modernih tehnologij in poznavanje ter nudenje prve psihosocialne pomoči. Razprava in zaključek: Glede na tematiko in trenutno stopnjo ozaveščenosti predvidevamo, da je trenutna situacija nenaklonjena uporabi modernih tehnologij za možnosti prve psihosocialne pomoči. Prebivalstvo še vedno raje zaupa osebnemu stiku z zdravnikom, ki je zavezan poklicni molčečnosti, ali še raje ostaja anonimno in se tovrstne oblike pomoči sploh ne poslužuje.
Keywords: prva psihosocialna pomoč, umetna inteligenca, informacijske tehnologije
Published: 10.11.2020; Views: 23; Downloads: 16
.pdf Full text (1,71 MB)

8.
Razvoj umetne inteligence pri tehnoloških multinacionalkah
Aljaž Vitko, 2020, master's thesis

Abstract: Umetna inteligenca je široka panoga računalništva, ki se ukvarja z gradnjo pametnih strojev, sposobnih za izvajanje nalog, ki običajno zahtevajo človeško inteligenco. Gre za interdisciplinarno znanost z več pristopi, vendar napredek v strojnem učenju, kakor tudi v globokem učenju ustvarja premik paradigme v skoraj vseh sektorjih tehnološke industrije. Pojem umetne inteligence je za marsikoga še nekaj novega in neraziskanega, vendar najdemo zametke umetne inteligence že v letu 1950, ko se je matematik Alan Turing spraševal, ali lahko stroji mislijo. Pomembno je razumevanje in razlikovanje pojmov umetne inteligence, strojnega učenja in globokega učenja. Umetno inteligenco smo že na kratko povzeli, strojno učenje je podvrsta umetne inteligence, kjer gre za učenje iz izkušenj, globoko učenje je nadalje podskupina strojnega učenja, ki se je sposobno učiti samo. Pomembnost umetne inteligence se skozi leta samo povečuje, kar pa ne preseneča, saj le ta prinaša olajšanje človekovega življenja, podjetjem pa prinaša korist od povečane donosnosti in gospodarsko rast. Umetna inteligenca prinaša številne prednosti, posledično pa se je težko izogniti tudi določenim slabostim. Kot splošno prednost lahko izpostavimo, da umetna inteligenca opravlja rutinska dela namesto ljudi, ki lahko v tem času opravijo zanj pomembnejša oziroma umsko zahtevnejša dela. Kar je ob enem lahko prednost, pa je lahko tudi slabost, saj lahko pride do kršenja zasebnosti (varstvo osebnih podatkov) ali pa ukinitve delovnega mesta zaradi avtomatizacije. Skupaj z razvojem umetne inteligence se mora zato razvijati tudi etičnost, katera se mora vgraditi v sisteme, tako da je v skladu z našimi standardi in človekovimi pravicami in svoboščinami. V empiričnem delu magistrske naloge smo se osredotočili na analizo umetne inteligence pri svetovnih multinacionalkah. Zanimalo nas je, ali imajo podjetja s podobno dejavnostjo tudi podobno razvito umetno inteligenco, zato smo le to preučevali med dvema podjetjema, ki se ukvarjata s podobno dejavnostjo in sicer je primerjava stekla med spletnima družbenima omrežjema (Facebook in Twitter), spletnima iskalnikoma (Google in Bing), spletnima trgovinama (Alibaba in Amazon). Z analizo smo pri vsaki dvojici podjetij našli skupna stičišča in jih tudi predstavili. Nadalje nas je zanimalo, ali lahko pri vseh preučevanih podjetjih najdemo kakšno skupno točko in glede da gre za tehnološke multinacionalke smo lahko tudi pri tem našli povezave, kakor pa tudi razlike v razvitosti. Za vsa podjetja lahko sklenemo, da so se intenzivno usmerila v razvoj umetne inteligence in so le to povzpela na visoki nivo, še vedo pa tudi sami vidijo možne izboljšave in nadaljnji razvoj, v katerega tudi vlagajo veliko sredstev. Skozi magistrsko nalogo smo želeli prikazati, da se umetni inteligenci v današnjem času več ne moremo izogniti niti v zasebnem življenju. Večina velikih podjetij je umetno inteligenco že vključila v svoje poslovanje, srednje velika in mala podjetja pa se ji prav tako več ne bodo mogla izogibati, če želijo slediti hitro spreminjajočem se poslovnem okolju. Ker pa je umetna inteligenca skoraj tako pametna kot človek, v nekaterih pogledih ga celo prekaša, pa bo ključno tudi, da se uredi stroga globalna zakonodaja v izogib potencialnim zlorabam.
Keywords: umetna inteligenca, strojno učenje, globoko učenje, tehnologija, umetna inteligenca v podjetjih
Published: 09.11.2020; Views: 111; Downloads: 57
.pdf Full text (1,19 MB)

9.
Napovedovanje geoprostorskih rastrskih podatkov s konvolucijskimi nevronskimi mrežami
Mitja Žalik, 2020, undergraduate thesis

Abstract: V diplomskem delu predstavimo uporabo konvolucijskih nevronskih mrež za napoved geoprostorskih rastrskih podatkov. V prvem delu opišemo geoprostorske podatke in zgradbo ter značilnosti konvolucijskih nevronskih mrež. V drugem delu predlagamo model nevronske mreže, ki ga uporabimo za dolgoročno napoved sončnega potenciala in kratkoročno napoved vegetacijskega indeksa NDVI. Povprečna napaka po metriki NRMSE znaša 0,22% pri napovedi sončnega potenciala in 15% pri napovedi indeksa NDVI. Diplomsko delo zaključimo s predlogi možnih razširitev.
Keywords: umetna inteligenca, globoko učenje, konvolucijske nevronske mreže, geoprostorski podatki, rastrski podatki
Published: 04.11.2020; Views: 49; Downloads: 22
.pdf Full text (3,14 MB)

10.
Potencial uporabe samoojačitvenega učenja za pametni nabiralnik Direct4.me
Eva Smolak, 2020, undergraduate thesis

Abstract: V diplomskem delu, izdelanem pod mentorstvom podjetja Kivi Com d.o.o., smo preučili samoojačitveno učenje, metode samoojačitvenega učenja, globoko samoojačitveno učenje in nevronske mreže. Prav tako smo na kratko opisali priljubljena ogrodja samoojačitvenega učenja in izdelali simulator sistema Direct4.me, kjer smo implementirali postopek dostavljanja in prevzemanja paketov oziroma odpiranja paketnikov. Simulator smo ustvarili v programskem jeziku C#, za izdelavo, učenje in uporabo nevronske mreže pa smo uporabili Python in knjižnico Scikit-learn. Na podlagi simulatorja in nevronske mreže smo preučili potencial uporabe samoojačitvenega učenja v sistemu Direct4.me.
Keywords: samoojačitveno učenje, Direct4.me, umetna inteligenca
Published: 04.11.2020; Views: 186; Downloads: 38
.pdf Full text (1,59 MB)

Search done in 0.28 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica