Iskanje po katalogu digitalne knjižnice

Opis: Rak na debelem črevesu in rak prostate sta dve izmed najpogostejših rakavih obolenj moške populacije tako v Sloveniji kot tudi po svetu. Pri ženskah se prav tako pojavlja rak na črevesu kot ena izmed najpogostejših oblik raka. Rak je zelo kompleksna vrsta bolezni, za katero točnih vzrokov ne poznamo. Številne raziskave potrjujejo, da je rak posledica tako kombinacije medsebojnega delovanja dednih dejavnikov kot tudi najrazličnejših vplivov okolja. Cilj magistrske naloge je bil teoretično predstaviti področje raziskovanja ter v nadaljevanju pridobljeno znanje uporabiti na praktičnem primeru. Teoretični del opisuje tako metode podatkovnega rudarjenja, s poudarkom na metodi podpornih vektorjev, kot tudi odločitvena drevesa, s poudarkom na odločitvenem drevesu J48. Predstavili smo tudi proteine, ki regulirajo gensko ekspresijo, tako imenovane transkripcijske faktorje, ki pri nastanku rakavih obolenj igrajo pomembno vlogo. Ker se naš praktičen primer nanaša na obolenje raka na črevesu in raka prostate, smo na kratko predstavili tudi statistične podatke, dejavnike tveganja, simptome ter možnosti zdravljenja obeh omenjenih vrst raka. V empiričnem delu predstavljamo praktičen primer, ki smo ga izvedli s programskim orodjem Weka in z uporabo podatkovne baze podatkov AP_Colon_Prostate – za to smo se odločili, ker obolenje raka na črevesu in raka prostate spadata med najpogostejša rakava obolenja današnje populacije. V programskem okolju Weka smo ugotavljali, za kako natančna in zanesljiva se izkažeta klasifikator metode podpornih vektorjev (angl. Support vector machine – SVM ali angl. Sequntial minimal optimization – SMO) in klasifikator odločitvenega drevesa J48 pri ugotavljanju genskih ekspresij. S pomočjo programskega okolja Weka smo predstavili tudi najpogostejše gene iz naše podatkovne baze, ki se pojavljajo pri obolenju raka črevesja in raka prostate.
Ključne besede: metoda podpornih vektorjev, strojno učenje, klasifikator J48, Weka, rak na črevesu, rak prostate
Objavljeno v DKUM: 02.12.2016; Ogledov: 1393; Prenosov: 162
Celotno besedilo (1,32 MB)

Opis: V diplomskem delu smo podrobneje spoznali Android Studio in Eclipse programsko orodje za razvoj aplikacij. Naredili smo primerjavo med njima in izbrali primernejšo za izdelavo samega izdelka. Izbiro programskega orodja smo tudi utemeljili. Izdelali smo aplikacijo za predvajanje glasbe, ki uporabnikom omogoča samodejno generiranje nabora skladb, ki zadostuje uporabnikovemu počutju. Za klasificiranje skladb smo podrobneje spoznali Weko, ki je namenjena za strojno učenje.
Ključne besede: Weka, izenačevalnik zvoka, samodejno generiranje, predvajalnik glasbe
Objavljeno v DKUM: 14.10.2015; Ogledov: 1230; Prenosov: 144
Celotno besedilo (1,89 MB)

Opis: Diplomsko delo se nanaša na področje odkrivanja znanja iz podatkov, še natančneje pa opisuje klasifikacijo, priznane klasifikatorje ter mere za določanje kakovosti klasifikacije. V delu smo predstavili razvoj lastnega algoritma za klasifikacijo, ki s pomočjo izračunov oddaljenosti od učnih primerkov določi razred neznanemu primerku. Podali smo matematično definicijo algoritma ter opis implementacije v okolju Weka, s pomočjo katerega smo preizkusili uspešnost klasifikacije na dveh realnih medicinskih primerih. Dobljeni rezultati nakazujejo, da razviti algoritem razmeroma uspešno klasificira primerke in se lahko primerja s priznanimi klasifikatorji.
Ključne besede: strojno učenje, podatkovno rudarjenje, klasifikacija, Weka
Objavljeno v DKUM: 18.09.2013; Ogledov: 2934; Prenosov: 253
Celotno besedilo (1,32 MB)

Opis: Naše diplomsko delo predstavlja teoretično osnovo podatkovnega rudarjenja in prikaz na praktičnem primeru. V prvem, teoretičnem delu smo predstavili osnovne koncepte podatkovnega rudarjenja, metode in orodja za učenje in pridobivanje novega znanja ter metode za primerjavo uspešnosti različnih klasifikacijskih modelov. V drugem, praktičnem delu smo najprej analizirali podatkovno množico iz področja kineziologije in poiskali najboljši klasifikacijski model, ki iz podatkov o mišicah (merjenih z metodo TMG) pove kako uspešna je oseba pri nekih športnih preizkusih. Nato smo uporabili najboljše modele (klasifikatorje) za izdelavo aplikacije, s katero je mogoča klasifikacija novih primerkov po opravljenih kinezioloških meritvah.
Ključne besede: podatkovno rudarjenje, strojno učenje, klasifikacija, Weka, kineziologija
Objavljeno v DKUM: 18.12.2012; Ogledov: 1955; Prenosov: 267
Celotno besedilo (4,71 MB)

Opis: V nalogi poskušamo odkriti povezave med lastnostmi študentov in njihovim študijskim uspehom. Opisan je celoten proces zbiranja ter analize podatkov in relacij, ki vplivajo na študijski uspeh posameznika. Začnemo s kratkimi navodili o sestavi ankete in nadaljujemo s sestavo svoje. Pridobljene podatke najprej analiziramo z uporabo statistike. Uporabljene metode na kratko opišemo in jih nato izvedemo nad zbranimi podatki. Proces izvajanja, ki je opravljen v programu IBM SPSS Statistics, je tudi predstavljen. Nazadnje uporabimo podatke v podatkovnem rudarjenju. V predstavitvi podatkovnega rudarjenja se posebej posvetimo nalogi klasifikacije in njenim tehnikam. V orodju Weka z odločitvenimi drevesi ugotavljamo povezanost med karakteristikami študentov in njihovim študijskim uspehom.
Ključne besede: podatkovno rudarjenje, statistična analiza, SPSS, Weka
Objavljeno v DKUM: 27.11.2012; Ogledov: 1860; Prenosov: 441
Celotno besedilo (3,02 MB)