SLO | ENG

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 / 55
Na začetekNa prejšnjo stran123456Na naslednjo stranNa konec
1.
2.
3.
4.
5.
6.
7.
8.
HEVRISTIČNO GENERIRANJE MEDICINSKIH SIMULACIJSKIH SCENARIJEV
Miljenko Križmarić, 2009, doktorska disertacija

Opis: Sodobno izobraževanje zdravstvenih delavcev zahteva uporabo medicinskih simulatorjev, saj medicina postaja zahtevna in kompleksna. Simulatorji potrebujejo scenarije, ki jih izdelujejo zdravniki, vendar je tak pristop subjektiven, ker ima vsak zdravnik svoje lastne izkušnje. Scenarije lahko izboljšamo z uporabo metod strojnega učenja. V doktorskem delu raziščemo in uporabimo Bayesove verjetnostne mreže kot računalniško podprto orodje za izdelavo scenarijev. Predstavimo metodologijo CasGEN, ki jo uporabimo na realnem primeru večje podatkovne zbirke s področja urgentne medicine - 737 primerov predbolnišničnega oživljanja. Rezultate validiramo s pomočjo trifaznega modela zastoja srca pri prekatni fibrilaciji. V doktorskem delu potrdimo ustreznost metodologije CASGen na podlagi študije, ki so jo pozitivno ocenili eksperti s področja medicine. Na tak način potrdimo hipotezo raziskovalnega dela, da je predstavljena metodologija CASGen uporabno orodje za generiranje medicinskih scenarijev.
Ključne besede: medicinske simulacije, simulatorji, scenariji, strojno učenje, Bayesove verjetnostne mreže, urgentna medicina
Objavljeno: 26.03.2009; Ogledov: 2861; Prenosov: 420
.pdf Polno besedilo (6,10 MB)

9.
META-UČENJE Z UPORABO REZULTATOV ANALIZE OBOGATENOSTI SKUPIN GENOV
Dario Šnajder, 2009, diplomsko delo

Opis: V diplomskem delu smo proučili in pokazali možnost uporabe postopkov meta učenja za proučevanje delovanja algoritma GSEA. Napisali smo aplikacijo, v kateri smo uvedli večnitno izvajanje in implementirali upravitelja opravil. Ta nam omogoča spremljanje poteka izvajanja, s tem pa obveščanje uporabnika o stanju v aplikaciji. V začetku diplomske naloge smo opisali formate datotek, katere uporabljamo, nato smo opisali strojno učenje in njegovo podpoglavje meta-učenje. Nadaljevali smo s postopki izvajanja GSEA analize in gradnjo odločitvenih dreves. Diplomsko nalogo smo zaključili s sklepom, v katerem smo navedli možnosti za nadaljnje raziskovanje.
Ključne besede: strojno učenje, meta-učenje, bioinformatika, odločitvena drevesa
Objavljeno: 10.09.2009; Ogledov: 1967; Prenosov: 106
.pdf Polno besedilo (11,63 MB)

10.
NAPREDNI MODELI NEPLAČILA NA PRIMERU PREBIVALSTVA
Anja Colja, 2009, diplomsko delo

Opis: Zavedamo se, da je za banko dodeljevanje kreditov fizičnim in pravnim osebam zelo pomemben in odgovoren proces. Zato želimo v diplomskem delu približati pomen in uporabo naprednih modelov neplačil na primeru prebivalstva. Diplomsko delo ločita dve področji. V prvem so predstavljena teoretična spoznan- ja strojnega učenja, klasifikacije, kreditnega točkovanja, metod strojnega učenja ter njihove ocene in mere. Drugo, analitično področje seznanja z raziskovalnim pro- gramom Orange in predstavitvijo ter obdelavo uporabljenih podatkov odobrenih in zavrnjenih kreditojemalcev. Izhodišče za analizo so podatki pridobljeni, iz nemškega inštituta za statistiko in ekonometrijo, zbrani leta 1994. Teoretična in empirična spoznanja metod strojne- ga učenja so pripomogla k nadaljnjim raziskavam in ugotovitvam. Poskušali smo napovedati kateri kreditojemalci bodo kredit vrnili. Iz pridobljenih rezultatov sklepamo, da bi za kakovosten in točen izid potrebo- vali sistematičen pristop (večjo količino aktualnih podatkov kreditojemalcev), saj z razpoložljivimi podatki klasifikacija novih kreditojemalcev ne bi bila uspešna. S pomočjo rezultatov metod in meril za strojno učenje smo izbrali najinformativnejše atribute. Dokazali smo, da dosežemo skoraj isto klasifikacijsko točnost z izbranimi osmimi atributi kot z vsemi dvajsetimi. Z združitvijo lastnih in izbranih karakteristik nam je uspelo zagotoviti smernice, ki bi slovenskim bankam omogočale izboljšanje sistema za odobritev kreditov. Zaključimo, da bi bilo koristno če bi banke uporabl- jale poenotena merila za dodeljevanje posojil. Zagotovile bi enakopraven, pregleden in učinkovit pristop k reševanju kreditne problematike.
Ključne besede: krediti, strojno učenje, klasifikacija, odločitveno drevo, metoda podpornih vektorjev, kreditno točkovanje.
Objavljeno: 11.02.2010; Ogledov: 1456; Prenosov: 229
.pdf Polno besedilo (2,60 MB)

Iskanje izvedeno v 0.05 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici