Iskanje po katalogu digitalne knjižnice

Opis: V diplomskem delu smo analizirali spletna orodja za izdelavo spletnih strani in jih primerjali med seboj. Orodij nismo razvrstili od najenostavnejšega do najzahtevnejšega, niti nismo določili najboljšega. Naš cilj je prikazati, za kakšne uporabnike so določena orodja primerna. Na podlagi analiz posameznih orodij in izdelave preprostega spletnega mesta, bloga, spletnega mesta s poudarkom na lastnem videzu in spletne trgovine smo ugotovili, da orodja svojim uporabnikom dopuščajo hitro in enostavno implementacijo spletnih mest. Orodja pa hkrati poskrbijo tudi za spletno gostovanje in po želji tudi za zakup domene. Kljub temu pa je uporabnikom pogosto odvzeta možnost popolne personalizacije.
Ključne besede: spletna orodja za izdelavo spletnih strani, spletna mesta, princip primi in potegni, WYSIWYG
Objavljeno: 30.10.2015; Ogledov: 631; Prenosov: 85
Celotno besedilo (3,74 MB)

Opis: Tematika te diplomske naloge so veliki podatki, karakteristike velikih podatkov in učni algoritmi, ki jih uporabljamo za klasifikacijo. V diplomski nalogi predstavljam tudi rezultate eksperimenta, s katerim sem ugotavljal učinkovitost učnih algoritmov na velike podatke. Učinkovitost algoritmov sem ovrednotil s klasifikacijsko točnostjo in časovnim izvajanjem učnih algoritmov na podatkovnih množicah. Iz pridobljenih rezultatov lahko sklepam, da se algoritmi glede na dane podatkovne množice različno obnašajo ter da je izbira učnega algoritma za analizo podatkovnih množic odvisna predvsem od problema in zastavljenega cilja.
Ključne besede: veliki podatki, karakteristike velikih podatkov, strojno učenje, klasifikacija, učinkovitost učnih algoritmov
Objavljeno: 22.10.2015; Ogledov: 342; Prenosov: 35
Celotno besedilo (2,70 MB)

Opis: V pričujočem diplomskem delu sta analizirani in primerjani splošnonamenski platformi za podatkovno rudarjenje RapidMiner in Weka. V uvodnem delu diplomskega dela so razložene osnove strojnega učenja in podatkovnega rudarjenja ter podrobneje definirane metode dela, ki so uporabljene v praktičnem delu. Primerjava je razdeljena na teoretični in eksperimentalni del. V teoretičnem delu so na podlagi definirane metodologije identificirane pomembne lastnosti orodij in primerjane med seboj, v eksperimentalnem delu pa sta primerjani točnost in F-Mera implementacij algoritmov k-najbližjih sosedov, Naključni gozdovi in Naivni Bayes. S pomočjo statističnih testov je bilo ugotovljeno, da se nobena izvedenka algoritma od drugega statistično pomembno ne razlikuje.
Ključne besede: strojno učenje, klasifikacija, primerjava, RapidMiner, Weka
Objavljeno: 16.09.2016; Ogledov: 430; Prenosov: 42
Celotno besedilo (2,22 MB)

Opis: Ob vse večjem številu informacij, ki krožijo na najrazličnejše načine, je podatkovno rudarjenje za uspešno in učinkovito rabo informacij ključnega pomena. Preko podatkovnega rudarjenja namreč dosežemo rezultate, s katerimi ugotovimo ustreznost informacij, odpravimo pomanjkljivosti, poiščemo vzorce, znanje in podobno. V diplomskem delu je predstavljen program Orange, delo z njim, njegova uporaba ter nekatere lastnosti. Glavni segmenti podatkovnega rudarjenja s programom Orange, ki so predstavljeni v diplomskem delu, so klasifikacija, gručenje in pred procesiranje podatkov. Praktični del diplomskega dela, ki je hkrati ključen, je razdeljen na tri dele. Prvi del predstavlja vse tri glavne segmente preko uporabniškega vmesnika, drugi del preko kode, v tretjem delu pa se nato prikaže izgradnja lastnega modula in njegova uporaba.
Ključne besede: podatkovno rudarjenje, orodje Orange, klasifikacija, gručenje, predprocesiranje podatkov
Objavljeno: 24.10.2017; Ogledov: 81; Prenosov: 16
Celotno besedilo (2,35 MB)

Opis: V doktorski disertaciji predstavimo metodo z imenom alokacija, ki je namenjena klasifikaciji neuravnoteženih podatkov. Metoda alokacije je klasifikacijski ansambel iz dveh nivojev. V prvem nivoju deluje alokator, ki se s pomočjo algoritmov nenadzorovanega učenja nauči učinkovito deliti izvorno množico podatkov na homogene podmnožice, ki se nato alocirajo specializiranim klasifikatorjem na drugem nivoju. Drugi nivo sestavlja množica specializiranih klasifikatorjev, kjer je vsak naučen na specifični podmnožici, ki mu je bila alocirana, in se tako specializira za točno določeno vrsto podatkov. Ti klasifikatorji tako vrnejo končno odločitev o razredu posameznih instanc, kar je tudi rezultat metode alokacije. Z namenom preizkusa delovanja koncepta metode alokacije smo v okviru doktorske disertacije razvili dve varianti alokatorja -- alokator z detekcijo anomalij, ki uporablja eno razredni klasifikator SVM, in alokator z gručenjem k-means. Obe vrsti alokatorja smo preizkusili v kombinaciji s šestimi klasifikacijskimi metodami na mestu specializiranih klasifikatorjev na drugem nivoju. Vse variante metode alokacije v vseh kombinacijah smo preverili na neuravnoteženih in uravnoteženih podatkih, slednje z namenom validacije metode kot splošnega klasifikacijskega pristopa. Rezultate alokacij smo primerjali z obstoječimi metodami za spopadanje z neuravnoteženi podatki -- informiranim podvzorčenjem, nadvzorčenjem SMOTE in ansambli bagging, MultiBoost in AdaBoost. V eksperimentih smo primerjali rezultate metrik klasifikacije (ki smo jih identificirali v teoretičnem delu disertacije) in čase, potrebne za učenje klasifikacijskega modela. Rezultate eksperimentov smo dodatno preverili s statistično analizo in na podlagi tega prišli do zaključkov, da je metoda alokacije učinkovita alternativa obstoječim pristopom pri klasifikaciji neuravnoteženih in tudi uravnoteženih podatkov.
Ključne besede: strojno učenje, klasifikacija, neuravnoteženi podatki, detekcija anomalij, alokacija, gručenje, ansambli
Objavljeno: 10.05.2017; Ogledov: 565; Prenosov: 109
Celotno besedilo (3,59 MB)