| | 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.
Ogrodje NiaAML za samodejno strojno učenje
Luka Pečnik, 2021, magistrsko delo

Opis: V magistrskem delu smo raziskali področje samodejnega strojnega učenja in natančneje metodo za samodejno strojno učenje, imenovano NiaAML. Osredotočili smo se predvsem na iskanje klasifikacijskih cevovodov s pomočjo stohastičnih populacijskih algoritmov po vzorih iz narave. S pomočjo programskega jezika Python in knjižnic, ki jih ponuja, smo razvili istoimensko ogrodje za samodejno strojno učenje NiaAML, namenjeno iskanju in optimizaciji klasifikacijskih cevovodov. V ogrodju smo metodo NiaAML poskusili še izboljšati, nato pa smo primerjali rezultate med originalno in spremenjeno metodo NiaAML.
Ključne besede: algoritmi po vzorih iz narave, klasifikacijski cevovodi, samodejno strojno učenje
Objavljeno: 17.02.2021; Ogledov: 178; Prenosov: 49
.pdf Celotno besedilo (885,17 KB)

2.
Algoritmi po vzorih iz narave za razbijanje gesel
Urška Nemet, 2020, magistrsko delo

Opis: Magistrsko delo obravnava kriptoanalizo Vigènerove šifre z algoritmom diferencialne evolucije in algoritmom kresnic, ki se uvrščata med algoritme po vzorih iz narave. V magistrskem delu opisujemo kriptoanalizo, Vigènerovo šifro, algoritme po vzorih iz narave ter metodo za kriptoanalizo, ki smo jo predlagali v magistrskem delu. Ugotovili smo, da sta algoritem diferencialne evolucije in algoritem kresnic primerna za kriptoanalizo Vigenèrove šifre. Rezultati so pokazali, da je algoritem diferencialne evolucije uspešnejši od algoritma kresnic. Ugotovili smo tudi, da se uspešnost kriptoanalize zmanjšuje z večanjem dolžine ključa.
Ključne besede: algoritmi po vzorih iz narave, kriptoanaliza, Vigenèrova šifra
Objavljeno: 03.07.2020; Ogledov: 186; Prenosov: 46
.pdf Celotno besedilo (713,45 KB)

3.
Razvoj ON-LINE algoritmov vodenja za robotske sisteme
Primož Bencak, 2019, magistrsko delo

Opis: Tehnološki razvoj zadnjih desetletij na področju robotike omogoča izjemne natančnosti robotskih mehanizmov. Vendar cena za vodenje takšnih mehanizmov ni majhna – zato so potrebne dodatne mehanske rešitve, ki sicer poenostavljajo vodenje, vendar nas v marsičem omejujejo. V tej magistrski nalogi se posvečamo nelinearnim regulacijam, s katerimi vodimo regulirani sistem na osnovi modela sprotno (angl. on-line). S pomočjo algoritmov računske inteligence aproksimiramo ta sistem v realnem času in na podlagi teh na modelu generiramo testne rešitve. Najboljše rešitve uporabimo kot vhod v regulirani sistem. Pozornost posvetimo izboljšavam obstoječega naprednega algoritma vodenja na osnovi modela. Tehnološki razvoj zadnjih desetletij na področju robotike omogoča izjemne natančnosti robotskih mehanizmov. Vendar cena za vodenje takšnih mehanizmov ni majhna – zato so potrebne dodatne mehanske rešitve, ki sicer poenostavljajo vodenje, vendar nas v marsičem omejujejo. V tej magistrski nalogi se posvečamo nelinearnim regulacijam, s katerimi vodimo regulirani sistem na osnovi modela sprotno (angl. on-line). S pomočjo algoritmov računske inteligence aproksimiramo ta sistem v realnem času in na podlagi teh na modelu generiramo testne rešitve. Najboljše rešitve uporabimo kot vhod v regulirani sistem. Pozornost posvetimo izboljšavam obstoječega naprednega algoritma vodenja na osnovi modela.
Ključne besede: on-line vodenje na osnovi modela, nelinearne regulacije, optimizacijski algoritmi po vzorih iz narave, vodenje robotskih mehanizmov, digitalni signalni krmilnik
Objavljeno: 10.09.2019; Ogledov: 417; Prenosov: 99
.pdf Celotno besedilo (18,13 MB)

4.
Avtomatsko načrtovanje in vrednotenje klasifikacijskih cevovodov v bioinformatiki
Iztok Fister, 2019, magistrsko delo

Opis: Izhodišča in namen: Velikokrat na bioinformatskih podatkih izvajamo klasifikacijo, tj. razvrščanje elementov, predstavljenih z značilnicami, v enega od vnaprej določenih razredov. Sam postopek klasifikacije je zelo kompleksen, saj sestoji iz preprocesiranja podatkov, izbire klasifikatorske metode in optimizacije hiperparametrov. Zaradi kompleksnosti vse tri omenjene korake združujemo v t. i. klasifikacijske cevovode, katere morajo uporabniki, ki niso specialisti na področju strojnega učenja, načrtovati ročno. Ta postopek je časovno zelo zapleten, v določenih primerih pa se ne uspemo približati optimalni rešitvi. Raziskovalna metodologija: Avtomatski razvoj in vrednotenje klasifikacijskih cevovodov smo donedavno reševali s pomočjo genetskega programiranja (angl. Genetic Programming, krajše GP), kjer posameznike predstavimo z drevesnimi strukturami. V tem magistrskem delu predlagamo novo rešitev za reševanje omenjenega problema s pomočjo stohastičnih populacijskih algoritmov po vzorih iz narave, kjer so posamezniki predstavljeni kot vektorji realnih števil. Rezultati: Rezultati na bioinformatskih podatkovnih množicah dokazujejo, da so stohastični populacijski algoritmi po vzorih iz narave enostavni za uporabo in hkrati učinkoviti za avtomatski razvoj klasifikacijskih cevovodov. Diskusija in zaključek: Ugotavljamo, da predlagana metoda omogoča uporabo poljubnega stohastičnega populacijskega algoritma po vzorih iz narave za avtomatsko načrtovanje klasifikacijskih cevovodov, kjer so posamezniki predstavljeni kot vektorji realnih števil.
Ključne besede: algoritmi po vzorih iz narave, AutoML, diferencialna evolucija, klasifikacija, optimizacija
Objavljeno: 16.08.2019; Ogledov: 519; Prenosov: 130
.pdf Celotno besedilo (1,09 MB)

Iskanje izvedeno v 0.13 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici