| | 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 - 4 / 4
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Napovedovanje odpovedi izdelkov z metodami globokega učenja
Blaž Sašek, 2017, diplomsko delo/naloga

Opis: Diplomsko delo obravnava razvoj in optimizacijo modelov za analizo garancijskih podatkov in napovedovanje odpovedi z metodami globokega učenja. Globoko učenje je redko uporabljeno v tovrstne namene, zato so raziskave na tem področju pomembne, a obenem težavne, saj obstaja manj predhodnih virov, s katerimi si lahko pomagamo. Na drugi strani pa se tehnologija v zadnjih letih razvija izjemno hitro, tako da lahko modele globokega učenja implementiramo tudi brez detajlnega poznavanja vseh elementov globokega učenja, kar je omogočilo razcvet uporabe in aplikacijo globokega učenja na široko paleto problemov. V nalogi smo preizkusili več različnih modelov, od prilagojenega enoslojnega perceptrona do konvolucijske nevronske mreže, in večje število optimizacijskih metod. Z uporabljenimi metodami smo dosegli 30–40-% stopnjo natančnosti, kar odstopa od želene 10-% stopnje napake. Pri tem moramo upoštevati majhen nabor vhodnih podatkov. Metode globokega učenja se ob zastavljenem zahtevnem pogoju niso izkazale kot primerne za uporabo, iz pridobljenih informacij pa zaključujemo, da bodo metode najverjetneje uporabne v prihodnje, ko bo na voljo več podatkov, ki bodo tudi bolj kvalitetni.
Ključne besede: Garancijski podatki, Strojno učenje, Nevronske mreže, Globoko učenje, Python, Tensorflow
Objavljeno: 14.09.2017; Ogledov: 485; Prenosov: 104
.pdf Celotno besedilo (3,16 MB)

2.
Prepoznavanje jedi iz digitalnih slik s pomočjo konvolucijskih nevronskih mrež
Jan Banko, 2018, diplomsko delo

Opis: V diplomskem delu se ukvarjamo s prepoznavo jedi iz digitalnih slik s pomočjo konvolucijskih nevronskih mrež. Namen diplomskega dela je razvoj in implementacija sistema, ki je zmožen prepoznati hrano na digitalni sliki. Natančneje smo preučili delovanje konvolucijskih nevronskih mrež ter postopek prepoznavanja objektov. Opisali smo tudi uporabljene algoritme za detekcijo objektov, ki uporabljajo konvolucijske nevronske mreže. Pri implementaciji razpoznavalnika hrane smo se omejili na 8 različnih kategorij hrane. Pri testiranju na podatkovni zbirki »The Food-101 Data Set« je na množici 2400 slik najboljši izmed uporabljenih modelov detektorjev dosegel natančnost prepoznavanja 95,59 % pri uporabi metrike »PASCAL VOC 2010« ter 72,1 % pri uporabi metrike »COCO«.
Ključne besede: računalniški vid, prepoznavanje hrane, konvolucijske nevronske mreže, Tensorflow
Objavljeno: 31.08.2018; Ogledov: 633; Prenosov: 104
.pdf Celotno besedilo (2,69 MB)

3.
Avtomatizacija pregledovanja kode s pomočjo strojnega učenja
Sebastjan Stojnšek, 2018, magistrsko delo

Opis: V tem magistrskem delu smo se posvetili področju pregledovanja kode s pomočjo strojnega učenja. Proučili smo sorodna dela na tem področju ter določili teoretični pristop, s pomočjo katerega bomo lahko izvajali napovedovanje slabih sprememb programske kode programskega jezika Javascript, ki zahtevajo odpravo napak. Tako bomo zmanjšali porabo virov pri pregledovanju programske kode. Izdelali smo prototip ekspertnega sistema, ki bo omogočal generiranje metrik in učenje nevronske mreže v ogrodju Tensorflow.js. Učinkovitost sistema smo ovrednotili na treh odprtokodnih projektih ter dosegli rezultate, ki upravičujejo smiselnost vpeljave takšnega sistema v proces razvoja programske opreme.
Ključne besede: strojno učenje, Tensorflow, pregledovanje kode, JavaScript, nevronske mreže, programsko inženirstvo
Objavljeno: 22.11.2018; Ogledov: 252; Prenosov: 59
.pdf Celotno besedilo (1,51 MB)

4.
Analiza uspešnosti optične prepoznave elementov BPMN
Slavica Jagečić, 2019, magistrsko delo

Opis: Magistrsko delo predstavlja postopek izdelave modela za prepoznavo ročno risanih BPMN elementov ter pridobitev rezultatov (%) uspešnosti njihove prepoznave. Za pomoč pri razvoju modela za prepoznavo elementov BPMN smo uporabili ogrodje TensorFlow. Opravili smo pregled literature, predstavili obstoječe rešitve, razvite na podlagi optične prepoznave in strojnega učenja. Razložili smo osnovne gradnike BPMN (standard BPMN 2.0.) in nekatere od teh elementov vključili v proces analize uspešnosti razpoznave s pomočjo mobilne aplikacije, izdelane v okviru naloge in razvite v okolju Angular.js, v katero smo vključili izdelani TensorFlow model, ki je zmožen prepoznavati BPMN elemente. V analizi smo zapisali ugotovitve, ki smo jih pridobili v raziskovalnemu delu na podlagi vprašalnikov. Ugotovitve, pridobljene v analizi, so pokazale da je mobilna aplikacija zmožna prepoznavati določene elemente BPMN, vendar ne vseh. Prav tako smo podali smernice za nadaljnje delo.
Ključne besede: BPMN, OCR, strojno učenje, TensorFlow
Objavljeno: 13.11.2019; Ogledov: 18; Prenosov: 7
.pdf Celotno besedilo (4,06 MB)

Iskanje izvedeno v 0.1 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici