| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 10 / 51
Na začetekNa prejšnjo stran123456Na naslednjo stranNa konec
1.
2.
Oblikovanje uporabniške izkušnje z inteligentnim sistemom ChatGPT : magistrsko delo
Elena Osrajnik, 2023, magistrsko delo

Opis: V magistrskem delu je bila raziskana možnost oblikovanja uporabniške izkušnje spletne strani s pomočjo sistema ChatGPT. Zastavljene so bile zahteve, preko katerih je bil voden do odkrivanja načinov ugotavljanja potreb uporabnikov, kreiranja person, testiranja uporabnosti strani, raziskovanja potekov uporabe spletne strani, načinov merjenja in povečanja konverzije strani ter oblikovanja pristajalne strani z uporabo elementov uporabniške izkušnje. Po analizi odgovorov je bilo ugotovljeno, da je ChatGPT sposoben sooblikovati uporabniško izkušnjo fiktivne spletne strani, ki je primerljiva z oblikovanjem, ki bi ga izvedel človek. Spletna stran, za katero je bila ustvarjena uporabniška izkušnja, je bila s sistemom tudi vizualno predstavljena.
Ključne besede: Uporabniška izkušnja, oblikovanje, ChatGPT, umetna inteligenca.
Objavljeno v DKUM: 12.10.2023; Ogledov: 316; Prenosov: 66
.pdf Celotno besedilo (1,54 MB)

3.
Podatkovno podprta evalvacija znanj in spretnosti : magistrsko delo
Damijan Robnik, 2023, magistrsko delo

Opis: Magistrsko delo opisuje uporabo algoritma Node2Vec za analizo odnosov med strokovnjaki in njihovimi izkušnjami na področju informacijske tehnologije (IT). V delu je predstavljen algoritem za generiranje simuliranih izkušenj strokovnjakov, ki se uporabi za ustvarjanje grafa kot vhod v Node2Vec. Prav tako so predstavljeni rezultati ankete, s katero smo pridobili potrebne podatke o izkušnjah strokovnjakov na področju IT. Na podlagi teh podatkov in simuliranih izkušenj je ocenjena uspešnost algoritma Node2Vec pri razvrščanju spletnih programerjev v skupine (gruče).
Ključne besede: IT znanja, teorija grafov, nevronske mreže, Node2Vec
Objavljeno v DKUM: 12.10.2023; Ogledov: 228; Prenosov: 16
.pdf Celotno besedilo (7,14 MB)

4.
Analyzing EEG signal with Machine Learning in Python : graduation thesis
Evgenija Siljanovska, 2023, diplomsko delo

Opis: This thesis presents a comprehensive analysis of EEG data using Python libraries, MNE and machine learning techniques. The thesis focuses on utilizing these tools to extract valuable insights from EEG recordings. Our dataset consists of EEG data in the BrainVision format, acquired during a psychology experiment. The analysis involves preprocessing, filtering, segmentation, and visualization of the EEG data. Additionally, machine learning algorithms are employed to classify and predict patterns within the EEG signals. The findings showcase the effectiveness of Python, MNE, and machine learning in EEG analysis.
Ključne besede: EEG data, MNE, Machine learning, Analyzing
Objavljeno v DKUM: 17.08.2023; Ogledov: 381; Prenosov: 43
.pdf Celotno besedilo (2,66 MB)

5.
Improved Boosted Classification to Mitigate the Ethnicity and Age Group Unfairness
Ivona Colakovic, Sašo Karakatič, 2022, objavljeni znanstveni prispevek na konferenci

Opis: This paper deals with the group fairness issue that arises when classifying data, which contains socially induced biases for age and ethnicity. To tackle the unfair focus on certain age and ethnicity groups, we propose an adaptive boosting method that balances the fair treatment of all groups. The proposed approach builds upon the AdaBoost method but supplements it with the factor of fairness between the sensitive groups. The results show that the proposed method focuses more on the age and ethnicity groups, given less focus with traditional classification techniques. Thus the resulting classification model is more balanced, treating all of the sensitive groups more equally without sacrificing the overall quality of the classification.
Ključne besede: fairness, classification, boosting, machine learning
Objavljeno v DKUM: 02.08.2023; Ogledov: 306; Prenosov: 25
.pdf Celotno besedilo (884,95 KB)
Gradivo ima več datotek! Več...

6.
Proučevanje zunanjih dejavnikov pri napovedovanju cene kriptovalut s strojnim učenjem : diplomsko delo
Jakob Cvetko, 2023, diplomsko delo

Opis: Zmožnost napovedovanja gibanja cene finančnih instrumentov predstavlja priložnost za visoke zaslužke. Eni izmed tehnični pristopov, ki se na področju finančnega trgovanja že dalj časa uspešno uporabljajo, so metode strojnega učenja. V diplomski nalogi smo se ukvarjali z napovedovanjem cene kriptovalute Bitcoin. Modeliranje smo začeli s pridobivanjem raznih podatkov, povezanih s ceno kriptovalute, in nato z algoritmom XGBoost izdelali napovedni model. Razumevanje napovedi je ključnega pomena, zato smo uporabili razlagalni algoritem SHAP, s katerim smo dobili globlji vpogled v napovedni model. Izkazalo se je, da imajo podatki, neposredno vezani na ceno kriptovalute, največjo vlogo pri napovedi, temu pa sledi indeks strahu in pohlepa.
Ključne besede: kriptovalute, strojno učenje, XGBoost, napovedovanje časovnih vrst, SHAP
Objavljeno v DKUM: 07.06.2023; Ogledov: 440; Prenosov: 43
.pdf Celotno besedilo (2,08 MB)

7.
Preslikava stila satelitskih posnetkov s pomočjo generativnih nasprotniških nevronskih mrež : magistrsko delo
Mitja Lakič, 2023, magistrsko delo

Opis: V magistrskem delu raziskujemo problematiko preslikave stila satelitskih posnetkov z uporabo generativnih nasprotniških nevronskih mrež (GAN). Najprej predstavimo osnovno strukturo nevronskih mrež, nato podrobneje opišemo generativne modele. Namen magistrskega dela je preveriti učinkovitost teh modelov pri preslikavi satelitskih posnetkov v stil zemljevida, kjer primerjamo dva različna GAN modela, in sicer Pix2Pix, ki spada med pogojne modele, in CycleGAN, ki je predstavnik cikličnih modelov. V okviru eksperimenta primerjamo pridobljene rezultate z uporabo teh modelov, kjer smo tudi preizkusili preslikavo v obratni smeri, torej iz zemljevida v stil satelitskega posnetka. Rezultati so pokazali, da je mogoče satelitske posnetke uspešno preslikati v stil zemljevida, kjer pogojni modeli na splošno zagotavljajo boljše rezultate, vendar so zelo odvisni od arhitekture omrežja. Magistrsko delo zaključimo z analizo rezultatov in odgovori na raziskovalna vprašanja.
Ključne besede: generativne nasprotniške mreže, globoko učenje, preslikava stila, satelitski posnetki, zemljevidi
Objavljeno v DKUM: 28.03.2023; Ogledov: 412; Prenosov: 76
.pdf Celotno besedilo (5,49 MB)

8.
Orodja za manipulacijo videoposnetkov z nevronskimi mrežami : diplomsko delo
Jure Farič, 2022, diplomsko delo

Opis: V diplomskem delu smo se ukvarjali s teoretičnim pregledom metod uporabljenih pri generiranju globoko ponarejenih medijev in prikazu delujočega primera globoko ponarejenega videoposnetka. Teoretično smo pregledali pristope za manipulacijo slik in videoposnetkov z modeli generativnih nevronskih mrež, ter izdelali delujoč in realističen primer globoko ponarejenega videoposnetka. Uporabili smo obstoječe videoposnetke z nevronskimi mrežami in primerjali rezultate manipulacije s pravimi videoposnetki. V praktičnem delu smo predstavili korake po katerih lahko izdelamo deepfake videoposnetek z orodjem DeepFaceLab.
Ključne besede: globoke nevronske mreže, globoko učenje, globoko ponarejeni videoposnetki, manipulacija slik, manipulacija videoposnetkov, diplomske naloge
Objavljeno v DKUM: 09.02.2023; Ogledov: 729; Prenosov: 181
.pdf Celotno besedilo (1014,84 KB)

9.
10.
Segmentacija slik celic z algoritmi globokega učenja : magistrsko delo
Gregor Gorjanc, 2022, magistrsko delo

Opis: V magistrskem delu smo se spoznali s problematiko sladkorne bolezni, ki se odraža z nepravilnim obnašanjem celic beta v trebušni slinavki. Seznanili smo se s postopkom označevanja slik Langerhansovih otočkov, ki vsebujejo celice beta. S ciljem avtomatizacije procesa ročnega označevanja slik smo se odločili za uporabo globoke nevronske mreže za segmentacijo slik. Po analizi podatkovnih množic in preobrazbi slikovnih vrst s postopki agregacije v obliko, primerno za strojno učenje slik, smo s pomočjo nenadzorovanega učenja naučili nevronsko mrežo W-Net in ovrednotili rezultate. Mreža je uspešno identificirala zanimiva območja na slikah, vendar s premalo natančnostjo in prevelikimi območji lažno pozitivnih slikovnih točk.
Ključne besede: segmentacija slik, nenadzorovano učenje, W-Net, nevronska mreža, celice beta
Objavljeno v DKUM: 23.01.2023; Ogledov: 519; Prenosov: 93
.pdf Celotno besedilo (10,66 MB)

Iskanje izvedeno v 0.26 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici