SLO | ENG

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 - 6 / 6
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Delne urejenosti in hierarhično gručenje
Eva Ferk, 2009, diplomsko delo

Opis: Gručenje podatkov velja za eno najpomembnejših metod podatkovnega rudarjenja, ki se kot nova informacijska tehnologija dnevno razvija. Razvrščanja objektov v gruče so se tekom let raziskovalci lotevali na več načinov, kar s seboj prinese obilico različnih metod in postopkov. V diplomski nalogi se podrobneje seznanimo z merili za podobnost objektov znotraj posamezne gruče. Predstavljenih je več metod, od tega so tri hierarhične metode implementirane, predstavljene pa so tudi razlike med njimi. Vsaka razvrstitev objektov v gruče je matematično gledano ekvivalenčna relacija. Dva podatka sta ekvivalentna, če sta v isti gruči. V prvem delu je razvito matematično orodje, s katerim kasneje raziskujemo lastnosti podatkovne hierarhije, ki nastane med izvajanjem algoritmov gručenja. Končna ugotovitev kaže na to, da je reducirani graf podatkovne hierarhije, ki ga dobimo tekom razvrščanja hierarhičnih algoritmov gručenja, enak poti, za nehiearhično metodo $K$-voditeljev pa je to graf brez povezav.
Ključne besede: podatkovna hierarhija, gručenje podatkov, delne urejenosti, dendrogram, ugnezdeni gručni diagram, ekvivalenčna relacija, minimalna metoda, maksimalna metoda, povprečna metoda
Objavljeno: 22.04.2009; Ogledov: 3403; Prenosov: 404
.pdf Celotno besedilo (4,59 MB)

2.
GRUČENJE UČENCEV PRI POUKU RAČUNALNIŠTVA
Barbara Kermavner, 2011, diplomsko delo

Opis: Povod za nastanek seminarske diplomske naloge je bilo« srečanje« z gručenjem pri predmetu Informacijski sistemi. Z razvrščanjem se nezavedno srečujemo na vsakem koraku. Človeški možgani sistematično razvrščajo informacije, da dosežejo hitrejše razumevanje in boljše odzive, ter reakcije.. V diplomskem delu sem zapisala moje razmišljanje in raziskovanje na to temo. Uporabila sem moje področje, poučevanje učencev. V grobem lahko vrste gručenja delimo na hierarhične in delitvene tehnike. Primeri hiararhičnih tehnik so: metoda enojnega povezovanja, celostno povezovalna metoda, metoda povezovanja glede na povprečje, metoda mediane, metoda varovanca… K delitvenim tehnikam pa spadajo: k-means metoda, prilagodljiva K-means metoda, metoda povezovanja centroidov, metoda »fuzzy« c - means… Rezultat gručenja se lahko interpretira na različne načine, zato je izbira algoritma glede na primerjavo popolnoma odvisna od želenega cilja in vrste podatkov, objektov, ki jih je potrebno urediti. Gručenje ali razvrščanje v skupine srečujemo v medicini, genetiki, marketingu, biologiji… Vsaka razvrstitev objektov ali podatkov je z matematičnega vidika ekvivalenčna relacija. Z množico ekvivalenčnih relacij nad podatki dobimo podatkovno hierarhijo, nas pa zanima kakšno. Imeti moramo jasen cilj in dobro poznati podatke. Ti nam določajo izbiro ustreznih metod, med temi pa lahko stremimo k optimalnosti. Različne metode gručenja lahko ustvarjajo diskretne particije ali strogo ločene gruče v katerih vsak objekt pripada eni izmed gruč. Druge omogočajo dostop do »ubežnikov« , ki ne pripadajo nobeni od gruč, lahko pa se srečujemo tudi s pripadnostjo več gručam. Pri mojem delu, učim namreč na eni izmed osnovnih šoli v Ljubljani, pa bi lahko tak pregled rezultatov nalog pomagal kreirati skupine izbirnih predmetov ( ali nivojskih skupin pri angleščini, slovenščini in matematiki)..
Ključne besede: Gručenje, hierarhične tehnike, delitvene tehnike, metoda enojnega povezovanja, celostno povezovalna metoda, metoda povezovanja glede na povprečje, metoda mediane, metoda varovanca, k-means metoda, prilagodljiva K-means metoda, metoda povezovanja centroidov, metoda »fuzzy« c - means.
Objavljeno: 30.05.2011; Ogledov: 1150; Prenosov: 150
.pdf Celotno besedilo (1,29 MB)

3.
INFORMACIJSKA PODPORA NAPOVEDOVANJU ZNAČILNOSTI PROMETA NA PODLAGI ČASOVNIH SERIJ PODATKOV
Andrej Sevčnikar, 2013, magistrsko delo

Opis: V magistrskem delu smo se osredotočili na napovedovanje značilnosti prometa na osnovi podatkov časovnih vrst. Za dosego cilja smo v magistrski nalogi proučili področje integracije podatkov in podatkovnih skladišč, z uporabo katerega smo izdelali celovit pogled na podatke, ki je nujno potreben za nadaljnjo manipulacijo s podatki. Osrednja tematika magistrske naloge so modeli za napovedovanje podatkov časovnih vrst, s katerimi smo napovedovali gostoto prometa, pri tem pa preverjali napovedno napako. Določili smo najbolj optimalne modele za napovedovanje gostote prometa. Pokazali smo, da je pravilna predpriprava podatkov oziroma učenje modelov na podlagi dobro zasnovanih časovnih okvirjev izredno pomembno za pravilno napoved prometa, hkrati pa določili optimalno število časovnih okvirjev, pri katerih je napovedna napaka še sprejemljiva.
Ključne besede: podatkovno skladišče, integracija podatkov, časovne vrste, podatkovno rudarjenje, gručenje, promet, napovedovanje
Objavljeno: 16.12.2013; Ogledov: 785; Prenosov: 81
.pdf Celotno besedilo (3,55 MB)

4.
GRUČNI INDEKSI V PODATKOVNIH BAZAH
Nina Novinšek, 2013, diplomsko delo

Opis: V diplomskem delu smo predstavili gručene indekse. Opisali smo postopek načrtovanja podatkovne baze in našteli nekaj korakov v življenjskem ciklu podatkovne baze, kjer moramo pretehtati uporabnost gručenega indeksa. Opisali smo teoretične razlike med gručenim ter ne-gručenim indeksom in prikazali razlike v številu logičnih in fizičnih branj na izbranih poizvedbah. Prikazali smo učinek gručenega indeksa glede na tri različne razvrstitve podatkov in učinek reorganizacije podatkov v tabelah z in brez gručenega indeksa.
Ključne besede: gručeni indeksi, gručenje, grozdenje, DB2, fizična organizacija podatkov
Objavljeno: 14.01.2014; Ogledov: 572; Prenosov: 39
.pdf Celotno besedilo (1,65 MB)

5.
Metoda alokacije za klasifikacijo neuravnoteženih podatkov
Sašo Karakatič, 2017, doktorska disertacija

Opis: V doktorski disertaciji predstavimo metodo z imenom alokacija, ki je namenjena klasifikaciji neuravnoteženih podatkov. Metoda alokacije je klasifikacijski ansambel iz dveh nivojev. V prvem nivoju deluje alokator, ki se s pomočjo algoritmov nenadzorovanega učenja nauči učinkovito deliti izvorno množico podatkov na homogene podmnožice, ki se nato alocirajo specializiranim klasifikatorjem na drugem nivoju. Drugi nivo sestavlja množica specializiranih klasifikatorjev, kjer je vsak naučen na specifični podmnožici, ki mu je bila alocirana, in se tako specializira za točno določeno vrsto podatkov. Ti klasifikatorji tako vrnejo končno odločitev o razredu posameznih instanc, kar je tudi rezultat metode alokacije. Z namenom preizkusa delovanja koncepta metode alokacije smo v okviru doktorske disertacije razvili dve varianti alokatorja -- alokator z detekcijo anomalij, ki uporablja eno razredni klasifikator SVM, in alokator z gručenjem k-means. Obe vrsti alokatorja smo preizkusili v kombinaciji s šestimi klasifikacijskimi metodami na mestu specializiranih klasifikatorjev na drugem nivoju. Vse variante metode alokacije v vseh kombinacijah smo preverili na neuravnoteženih in uravnoteženih podatkih, slednje z namenom validacije metode kot splošnega klasifikacijskega pristopa. Rezultate alokacij smo primerjali z obstoječimi metodami za spopadanje z neuravnoteženi podatki -- informiranim podvzorčenjem, nadvzorčenjem SMOTE in ansambli bagging, MultiBoost in AdaBoost. V eksperimentih smo primerjali rezultate metrik klasifikacije (ki smo jih identificirali v teoretičnem delu disertacije) in čase, potrebne za učenje klasifikacijskega modela. Rezultate eksperimentov smo dodatno preverili s statistično analizo in na podlagi tega prišli do zaključkov, da je metoda alokacije učinkovita alternativa obstoječim pristopom pri klasifikaciji neuravnoteženih in tudi uravnoteženih podatkov.
Ključne besede: strojno učenje, klasifikacija, neuravnoteženi podatki, detekcija anomalij, alokacija, gručenje, ansambli
Objavljeno: 10.05.2017; Ogledov: 475; Prenosov: 91
.pdf Celotno besedilo (3,59 MB)

6.
Uporaba orodja Orange za podatkovno rudarjenje
Damir Kos, 2017, diplomsko delo

Opis: Ob vse večjem številu informacij, ki krožijo na najrazličnejše načine, je podatkovno rudarjenje za uspešno in učinkovito rabo informacij ključnega pomena. Preko podatkovnega rudarjenja namreč dosežemo rezultate, s katerimi ugotovimo ustreznost informacij, odpravimo pomanjkljivosti, poiščemo vzorce, znanje in podobno. V diplomskem delu je predstavljen program Orange, delo z njim, njegova uporaba ter nekatere lastnosti. Glavni segmenti podatkovnega rudarjenja s programom Orange, ki so predstavljeni v diplomskem delu, so klasifikacija, gručenje in pred procesiranje podatkov. Praktični del diplomskega dela, ki je hkrati ključen, je razdeljen na tri dele. Prvi del predstavlja vse tri glavne segmente preko uporabniškega vmesnika, drugi del preko kode, v tretjem delu pa se nato prikaže izgradnja lastnega modula in njegova uporaba.
Ključne besede: podatkovno rudarjenje, orodje Orange, klasifikacija, gručenje, predprocesiranje podatkov
Objavljeno: 24.10.2017; Ogledov: 47; Prenosov: 8
.pdf Celotno besedilo (2,35 MB)

Iskanje izvedeno v 0.03 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici