Iskanje po katalogu digitalne knjižnice

Opis: Uspešnost odločitvenih dreves temelji na predpostavki, da učni podatki za vsak razred vključujejo enako količino informacij. Pri nesorazmerni porazdelitvi razredov so klasifikatorji pristransko usmerjeni k večinskim razredom. Zaradi majhnega števila vzorcev manjšinskih razredov klasifikatorji niso zmožni ustreznega usvajanja znanja, kar vodi do slabšega posploševanja in prekomernega prileganja. V okviru zaključnega dela smo razvili več algoritmov za gradnjo uravnoteženih evolucijskih dreves, ki se osredotočajo na reševanje izzivov, povezanih z nesorazmerno porazdelitvijo razredov. Rezultati eksperimenta kažejo, da uravnoteženost evolucijskih dreves ne prispeva k izboljšanju klasifikacije v primerjavi s tradicionalnimi metodami.
Ključne besede: evolucijski algoritem, odločitvena drevesa, klasifikacija, neuravnoteženi podatki
Objavljeno v DKUM: 06.02.2025; Ogledov: 0; Prenosov: 32
Celotno besedilo (2,85 MB)

Opis: Poštenost klasifikacijskih odločitvenih dreves je na področju strojnega učenja postala kritično vprašanje. Klasifikacijska in regresijska drevesa (CART) so znana po svoji preprostosti in učinkovitosti pri obravnavanju klasifikacijskih in regresijskih nalog. Vendar lahko ti modeli nehote ohranijo ali celo povečajo pristranskost, prisotno v podatkih, kar vodi do nepoštenih odločitev, ki nesorazmerno prizadenejo določene skupine. To magistrsko delo raziskuje poštenost modelov CART z implementacijo metode FairCART, ki vključuje omejitve poštenosti med postopkom oblikovanja dreves. V delu je ocenjena učinkovitost metode FairCART pri zmanjševanju pristranskosti ob hkratnem ohranjanju kakovosti odločitev, kar omogoča vpogled v kompromise med poštenostjo in točnostjo. Implementacija in rezultati eksperimenta kažejo, da lahko metoda FairCART zmerno zmanjša pristranskost in ohrani splošno kakovost odločitvenega drevesa.
Ključne besede: klasifikacijska in regresijska drevesa, poštenost v strojnem učenju, CART, FairCART
Objavljeno v DKUM: 19.09.2024; Ogledov: 0; Prenosov: 21
Celotno besedilo (3,47 MB)

Opis: Glavni cilj raziskave je oceniti, kako učinkovito lahko algoritem dreves za napovedno razvrščanje identificira in klasificira različne vrste kibernetskih napadov. Strojno učenje, ki je osrednji del sodobnih IT-okolij, vključno s sistemi za zaznavanje in preprečevanje napadov, se nenehno razvija in izboljšuje. V tem kontekstu smo izbrali algoritem dreves za napovedno razvrščanje (PCT) zaradi njegove predhodne uspešnosti v večrazrednih klasifikacijskih nalogah. Za primerjavo učinkovitosti PCT smo vzpostavili konkurenčno skupino enajstih drugih algoritmov, katerih rezultati služijo kot referenčna osnova za oceno. Da bi zagotovili natančnost in relevantnost rezultatov, smo razvili lastno metodologijo priprave podatkov in modelov. Prvi korak naših meritev je zajemal odstranjevanje neveljavnih in manjkajočih vrednosti v podatkovni zbirki. Nadaljevali smo z določanjem optimalnega števila lastnosti, izbirali smo samo tiste, ki imajo ključen vpliv na končni izid. V zaključni fazi smo nastavili parametre algoritmov in njihove vrednosti, ki smo jih optimizirali z uporabo mrežnega iskanja. Vse te strategije so omogočile zmanjšanje potrebnih računalniških virov, skrajšale čas učenja in procesiranja podatkov ter izboljšale končne rezultate. Ta pristop nam omogoča boljši vpogled v dejansko učinkovitost algoritmov. Rezultati naše študije kažejo, da čeprav izbrani algoritem PCT ni izstopal kot najboljši med primerjanimi algoritmi, kaže obetaven potencial za nadaljnje raziskave in praktično uporabo v sektorju kibernetske varnosti. Diplomsko delo tako ne le opredeljuje učinkovitost PCT, ampak tudi predlaga možne smeri za nadaljnji razvoj in izboljšave v tehnologijah zaznavanja kibernetskih groženj.
Ključne besede: drevesa za napovedno razvrščanje, kibernetska varnost, strojno učenje, diplomske naloge
Objavljeno v DKUM: 02.08.2024; Ogledov: 100; Prenosov: 33
Celotno besedilo (1,95 MB)

Opis: V magistrskem delu podrobneje obravnavamo grafe z enolično γ-množico oziroma γ-enolične grafe. To so grafi, ki imajo natanko eno najmanjšo dominantno množico. Sprva zapišemo nekaj osnovnih definicij in trditev o grafih, nato posebej obravnavamo dve družini grafov, in sicer drevesa ter bločne grafe. Podrobneje opišemo dominantno množico in dominantno število grafa. Dokažemo nekaj potrebnih in nekaj zadostnih pogojev za grafe z natanko eno γ-množico. Nato se osredotočimo na drevesa. Predstavimo dve karakterizaciji γ-enoličnih dreves ter obe karakterizaciji posplošimo na γ-enolične bločne grafe. Nazadnje opišemo konstrukcijo γ-enoličnih grafov oziroma zapišemo štiri operacije, ki jih lahko uporabimo nad γ-enoličnimi grafi, da bo na novo dobljen graf ponovno γ-enoličen.
Ključne besede: dominantna množica, γ-enolični grafi, drevesa, bločni grafi.
Objavljeno v DKUM: 17.01.2024; Ogledov: 442; Prenosov: 48
Celotno besedilo (2,90 MB)

Opis: Pogosto vprašanje pri poučevanju matematike je njena aplikativnost v vsakdanjem življenju. Četudi magistrsko delo ni pedagoške narave, je sestavljeno tako, da se bralec na začetku pouči o teoriji grafov, tekom dela pa to teorijo pretvori v realne probleme. Prvi del magistrskega dela je povzetek najbolj pomembnih definicij in izrekov, brez katerih je razumevanje jezika teorije grafov nemogoče. Prikazani so zgledi družin grafov in dve posebni kategoriji grafov - Eulerjevi in Hamiltonovi grafi. Sledi uporabnost dreves, predvsem je poudarek posvečen vpetim drevesom in problemu iskanja najmanjšega vpetega drevesa v grafih. S tem znanjem lahko namreč načrtujemo optimalna železniška ali namakalna omrežja. Sledi poglavje povezanosti, kjer lahko prevedemo teorijo na problem konstrukcije zanesljivega komunikacijskega omrežja. Nazadnje pa je zbranih nekaj poljudnih nalog iz sklopa razvedrilne matematike za širši razpon bralcev, kjer lahko preverijo razumevanje teorije, saj le z njimi dvomljivcem v matematično uporabnost podamo odgovor.
Ključne besede: aplikacije teorije grafov, Eulerjevi grafi, Hamiltonovi grafi, drevesa, povezanost
Objavljeno v DKUM: 26.04.2023; Ogledov: 647; Prenosov: 59
Celotno besedilo (3,21 MB)