| | 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 - 6 / 6
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Cohesive means in Slovenian spontaneous dialectical conversations
Danila Zuljan Kumar, 2010, izvirni znanstveni članek

Opis: In the first part the article discusses the relationship between textual coherence and cohesion, then it offers a classification of cohesive means for Slovenian conversational texts. In the second part the article presents the use of cohesive means in spontaneous spoken dialectal conversations. The use of co-reference means, i.e. ellipsis of pronouns, recurrences and partial recurrences, lexical relations (synonyms, antonyms, hypernyms, hyponyms, collocations and paraphrase); ellipsis (systemic and non-systemic) and parallelism are presented in detail.
Ključne besede: Slovene dialects, textual cohesion, cohesive means, co-reference means, ellipsis, parallelism, dialectal conversations
Objavljeno v DKUM: 02.02.2018; Ogledov: 1086; Prenosov: 166
.pdf Celotno besedilo (591,64 KB)
Gradivo ima več datotek! Več...

2.
UPORABA METOD STROJNEGA UČENJA ZA DOLOČANJE DOMINANTNE BARVE NA DIGITALNI FOTOGRAFIJI
Dario Šnajder, 2016, diplomsko delo

Opis: V diplomskem delu smo podrobno raziskali algoritem k-means, ki v kontekstu strojnega učenja spada v skupino algoritmov nenadzorovanega učenja. Proučili smo probleme in možnost iskanja dominantnih barv na digitalni fotografiji z uporabo omenjenega algoritma. Raziskali smo različne barvne modele in iskanje barvnih harmonij. Izdelali smo aplikacijo, ki omogoča fotografiranje (npr. oblačil), iskanje dominantnih barv in določanje različnih barvnih harmonij.
Ključne besede: strojno učenje, k-means, barvni model, dominantna barva, barvne harmonije
Objavljeno v DKUM: 06.09.2016; Ogledov: 1438; Prenosov: 98
.pdf Celotno besedilo (14,97 MB)

3.
GRUČENJE PODATKOV LiDAR
Boštjan Založnik, 2014, diplomsko delo

Opis: Cilje diplomske naloge je raziskati možnosti uporabe algoritmov gručenja za obdelavo podatkov LiDAR. Prvi del diplomske naloge predstavlja podatke LiDAR in algoritme gručenja. S senzorji LiDAR, pritrjenimi na letala ali helikopterje, je omogočeno hitro in natančno modeliranje površja. Metode gručenje predstavljajo enega izmed pristopov za detekcijo objektov na površju. Gručenje je vrsta nenadzorovane klasifikacije podatkov. Za učinkovito implementacijo algoritmov gručenja so potrebne posebne podatkovne strukture. Pri diplomski nalogi uporabljamo drevesa KD. V drugem delu diplomske naloge predstavimo aplikacijo. Pripravi podatkov s predobdelavo sledi uporaba algoritma DBSCAN za iskanje zgradb in cest. Za iskanje dreves smo uporabili algoritem k-means. V zaključku podamo rezultate in uporabljene parametre.
Ključne besede: algoritmi gručenja, k-means, DBSCAN, iskanje zgradb, iskanje cest, iskanje drevesnih krošenj, podatki LiDAR
Objavljeno v DKUM: 20.05.2014; Ogledov: 1652; Prenosov: 193
.pdf Celotno besedilo (5,21 MB)

4.
5.
An efficient k'-means clustering algorithm
Krista Rizman Žalik, 2008, izvirni znanstveni članek

Opis: This paper introduces k'-means algorithm that performs correct clustering without pre-assigning the exact number of clusters. This is achieved by minimizing a suggested cost-function. The cost-function extends the mean-square-error cost-function of k-means. The algorithm consists of two separate steps. The first is a pre-processing procedure that performs initial clustering and assigns at least one seed point to each cluster. During the second step, the seed-points are adjusted to minimize the cost-function. The algorithm automatically penalizes any possible winning chances for all rival seed-points in subsequent iterations. When the cost-function reaches a global minimum, the correct number of clusters is determined and the remaining seed points are located near the centres of actual clusters. The simulated experiments described in this paper confirm good performance of the proposed algorithm.
Ključne besede: algorithms, clustering analysis, k-means, cost-function, rival penalized mechanism, datasets
Objavljeno v DKUM: 31.05.2012; Ogledov: 2463; Prenosov: 122
URL Povezava na celotno besedilo

6.
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 v DKUM: 30.05.2011; Ogledov: 2116; Prenosov: 233
.pdf Celotno besedilo (1,29 MB)

Iskanje izvedeno v 0.37 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici