Iskanje po katalogu digitalne knjižnice

Opis: V okviru magistrskega dela smo razvili in implementirali tri metode za detekcijo jajčnih mešičkov in jajčnikov v 3D ultrazvočnih volumnih z uporabo globokih nevronskih mrež, osnovanih na arhitekturah tipa transformer. Implementirani sistemi uporabljajo globoko učenje ter arhitekturo transformer in so posebej prilagojeni za obdelavo volumetričnih podatkov. Vse tri rešitve vključujejo pripravo vhodnih ultrazvočnih podatkov, učenje modela na ročno segmentiranih vzorcih ter napovedovanje prisotnosti in oblike mešičkov/jajčnikov v novih podatkih. Za izboljšanje natančnosti smo uporabili različne tehnike bogatenja podatkov ter ločeno obravnavali prisotnost jajčnikov in jajčnih mešičkov. Učinkovitost metod smo ovrednotili s pomočjo kvantitativnih metrik ter vizualno analizo rezultatov nad več volumni iz javno dostopne podatkovne zbirke USOVA3D. Ugotovili smo, da modeli transformer potrebujejo znatno več podatkov, da enačijo ali presežejo zmožnosti konvolucijskih nevronskih mrež.
Ključne besede: nevronske mreže, 3D segmentacija, globoko učenje, 3D sivinski volumni, model transformer
Objavljeno v DKUM: 22.10.2025; Ogledov: 0; Prenosov: 9
Celotno besedilo (3,45 MB)

Opis: V magistrskem delu obravnavamo klasifikacijo krompirja v tri kakovostne razrede – gnili, krmni in jedilni – z uporabo naprednih globokih nevronskih mrež. Model smo razvili v programskem jeziku Python z uporabo ogrodja TensorFlow. Primerjali smo učinkovitost treh sodobnih arhitektur konvolucijskih nevronskih mrež: EfficientNet, DenseNet in Xception, ter na podlagi rezultatov izbrali najbolj primerno za našo podatkovno bazo. DenseNet201 je izstopal kot najbolj natančen in stabilen model, DenseNet121 pa je ponujal najboljše ravnovesje med natančnostjo in računsko zahtevnostjo. Preizkusili smo tudi termovizijsko kamero za preučevanje možnosti zaznave gnilobe na podlagi temperaturnih razlik krompirja in opisali omejitve te metode. Cilj raziskave je razvoj inteligentnega, cenovno dostopnega sistema za avtomatsko sortiranje krompirja, ki bi povečal produktivnost kmetijske proizvodnje ob minimalnih stroških.
Ključne besede: globoko učenje, konvolucijske nevronske mreže, klasifikacija krompirja, TensorFlow, termovizijska analiza
Objavljeno v DKUM: 22.09.2025; Ogledov: 0; Prenosov: 10
Celotno besedilo (8,18 MB)

Opis: V diplomskem delu obravnavamo problem prepoznavanja pasem psov iz slik. Naš cilj je bil zasnovati in implementirati model z uporabo globokega učenja, ter pri tem doseči visoko napovedno uspešnost modela pri klasifikaciji pasem. Diplomsko delo zajema teoretične osnove strojnega učenja, podroben opis globokega učenja ter uporabljene arhitekture nevronskih mrež, kot tudi osnove uporabljenega programskega jezika Python in njegovih knjižnic. V praktičnem delu smo implementirali rešitev, kjer smo preizkusili različne arhitekture in analizirali njihovo učinkovitost.
Ključne besede: strojno učenje, globoko učenje, nevronske mreže, prenos znanja, Python
Objavljeno v DKUM: 03.06.2025; Ogledov: 0; Prenosov: 51
Celotno besedilo (3,51 MB)

Opis: Uporaba umetne inteligence je prisotna že na nešteto področjih, kjer se uporablja za najrazličnejše namene. Najdemo jo lahko v optimizaciji procesov, pregledovanju velikih količin podatkov ter tudi ustvarjanju vsebin. Podobno kot na drugih področjih, se je umetna inteligenca, ali AI, uveljavila tudi na področju medijev. Tako se diplomska naloga posveča prav uporabi AI na področju medijev v Sloveniji. Naloga le-te je predstaviti vrste AI in možnosti, ki jih slednja omogoča medijem, prav tako pa z analizo ankete predstavi dejansko stanje uporabe AI v Sloveniji.
Ključne besede: umetna inteligenca - AI, mediji, generativna AI, strojno učenje, globoko učenje
Objavljeno v DKUM: 14.11.2024; Ogledov: 0; Prenosov: 145
Celotno besedilo (2,03 MB)

Opis: V zadnjih nekaj letih ima velik vpliv na zunanje revidiranje umetna inteligenca, ki strmi k temu, da lahko revizorjem olajša določena ponavljajoča se dela in jim omogoča, da se ti lahko posvetijo nalogam, ki prinašajo dodano vrednost zunanji reviziji. V tem magistrskem delu je predstavljena uporaba umetne inteligence v zunanjem revidiranju skozi do sedaj objavljeno literaturo, opravljena pa je tudi raziskava o dejanskem poznavanju in uporabi umetne inteligence v zunanji reviziji računovodskih izkazov v Sloveniji. Naloga podrobneje obravnava tehnologije umetne inteligence, analitiko masovnih podatkov, globoko učenje, veriženje blokov in robotsko avtomatizacijo procesov. V teoretičnem delu smo opredelili zunanjo revizijo in umetno inteligenco ter kronološko predstavili njun razvoj. Predstavljene so tehnologije umetne inteligence, njihova dosedanja uporaba ter morebitne prednosti in pomanjkljivosti vključitve posamezne tehnologije umetne inteligence v revizijski proces. Ugotavljamo, da bi vključitev tehnologij umetne inteligence pripomogla predvsem k večji učinkovitosti in h kakovosti zunanje revizije, k zmanjšanju in avtomatizaciji ponavljajočih se revizijskih nalog, hitrejšemu pregledu in obdelavi podatkov, možnostim testiranja celotne populacije in nenazadnje bi lahko omogočila neprekinjeno revizijo. Uporaba umetne inteligence v reviziji bo za revizorja pomenila pridobitev novega znanja in spretnosti ter dodatna izobraževanja. Na drugi strani pa vključitev tehnologij umetne inteligence prinaša skrb za višje stroške revizije, zaupnosti informacij in varnosti pred kibernetskimi napadi ter pomanjkanje pripravljenosti infrastrukture. V praktičnem delu magistrskega dela je prikazan postopek zbiranja podatkov, pridobljenih s pomočjo anketnega vprašalnika. Z opisno statistično analizo predstavimo pridobljene rezultate vprašanj, ki so bila obdelana s programskim orodjem IBM SPSS. Za ugotavljanje razlik med spremenljivkama spol in zaposlenost anketirancev uporabimo t-test ter za spremenljivko starost anketirancev statistični test ANOVA. Uporabljeni testi pokažejo, da ni statistično značilnih razlik med demografskimi spremenljivkami: spol, starost in zaposlenost anketirancev. Na podlagi povprečnih vrednostih spremenljivk ugotavljamo določene razlike med demografskimi spremenljivkami, ki so v nalogi grafično prikazane. Na podlagi analize podatkov ugotavljamo, da anketirani revizorji v Sloveniji pri svojem delu že uporabljajo umetno inteligenco, ampak velika večina ne uporablja tehnologij, ki so podrobneje predstavljene v tem magistrskem delu. Tehnologija, ki jo revizorji največ uporabljajo, je analitika masovnih podatkov. Revizorji, anketirani v raziskavi, ki so zaposleni v revizijskih družbah Big 4, uporabljajo tehnologije umetne inteligence v povprečju nekoliko več kot revizorji, ki so zaposleni v drugih revizijskih družbah v Sloveniji. Ugotavljamo tudi, da anketirani revizorji nimajo visokega strokovnega znanja o tehnologijah umetne inteligence. Analitika masovnih podatkov je tehnologija, o kateri imajo revizorji največ strokovnega znanja v primerjavi z ostalimi tehnologijami. Rezultati raziskave pokažejo, da so revizorji pričeli z uporabo umetne inteligence zaradi prihranka časa, večje učinkovitosti in hitrejše analize podatkov. Ugotavljamo, da lahko revizorji s pomočjo rešitev umetne inteligence obdelajo več podatkov, kot jih lahko obdelajo brez uporabe umetne inteligence. Uporaba umetne inteligence omogoča revizorjem, da se čas revidiranja skrajša, čeprav je kar nekaj anketiranih mnenja, da čas revidiranja ostaja enak. Anketirani revizorji so mnenja, da bo umetna inteligenca v prihodnosti spremenila poklic zunanjega revizorja. Predvsem se bodo zmanjšala rutinska dela, proces pa bo v veliki meri avtomatiziran in dela bodo opravljena veliko hitreje.
Ključne besede: zunanja revizija, umetna inteligenca, analitika masovnih podatkov, globoko učenje, veriženje blokov, robotska avtomatizacija procesov
Objavljeno v DKUM: 24.09.2024; Ogledov: 0; Prenosov: 57
Celotno besedilo (3,81 MB)