| | 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


11 - 20 / 438
Na začetekNa prejšnjo stran12345678910Na naslednjo stranNa konec
11.
Zasnova in razvoj sistema za rudarjenje mnenja, s pomočjo besednih vektorjev in nevronskih mrež
Miha Hozjan, 2020, magistrsko delo

Opis: V zadnjih letih je, predvsem s porastom socialnih medijev, analiza sentimenta postala ena izmed glavnih vej obdelave naravnega jezika. Intenzivno se uporablja na različnih področjih, med drugim tudi v političnem prostoru. V sklopu magistrske naloge smo izdelali sistem za rudarjenje mnenja, ki uspešno razvrsti komentarje, zapisane v slovenskem jeziku, v tri kategorije, in sicer pozitivne, negativne in nevtralne. Po proučitvi strokovne in znanstvene literature ter razvoju in primerjavi različnih modelov nam je uspelo pokazati, da lahko z uvedbo besednih vektorjev v kombinaciji z nevronskimi mrežami občutno izboljšamo delovanje takšnega sistema.
Ključne besede: analiza sentimenta, besedni vektorji, nevronske mreže, obdelava naravnega jezika
Objavljeno: 03.11.2020; Ogledov: 93; Prenosov: 22
.pdf Celotno besedilo (1,22 MB)

12.
Izdelava pogovornega robota z rekurentno nevronsko mrežo LSTM
Tomaž Piko, 2020, diplomsko delo

Opis: V diplomskem delu so v prvem delu najprej predstavljeni pogovorni roboti in njihovi tipi, nato rekurentne nevronske mreže ter delovanje različnih celic, ki jih pri njih najpogosteje srečujemo. V drugem delu pa je prikazan primer implementacije in učenja rekurentne nevronske mreže LSTM (Long Short-Term Memory) ter izdelava mobilne aplikacije, v kateri lahko pisno komuniciramo z izdelano mrežo oziroma našim pogovornim robotom v slovenskem ali angleškem jeziku.
Ključne besede: pogovorni roboti, rekurentne nevronske mreže, celica LSTM, obdelava naravnih jezikov
Objavljeno: 03.11.2020; Ogledov: 101; Prenosov: 16
.pdf Celotno besedilo (1,27 MB)

13.
Napovedovanje časovnih vrst z uporabo povratnih nevronskih mrež
Niko Uremovič, 2020, diplomsko delo

Opis: V diplomskem delu predstavimo napovedovanje multivariatnih časovnih vrst z uporabo povratnih nevronskih mrež, ter primernost pristopa k napovedovanju preizkusimo na področju energetike. Za pametno krmiljenje električnih naprav je namreč nujno potrebno poznavanje posledic, ki jih imajo naše akcije na stanje naprav in njihove okolice. Stanje naprav definira več spremenljivk, zato spreminjanje stanja skozi čas opisuje multivariatna časovna vrsta. Za električno napravo grelnik vode pripravimo napovedni model, ki temelji na povratni nevronski mreži arhitekture LSTM. Ker pa se lastnosti naprave in s tem opisujoče časovne vrste lahko s časom spreminjajo, moramo za ohranjanje natančnostosti napovednega modela le-tega sproti prilagajati. V diplomskem delu predstavimo različne strategije sprotnega učenja modela in primerjamo njihovo učinkovitost na napovednem modelu za grelnik vode.
Ključne besede: Multivariatne časovne vrste, napovedovanje časovnih vrst, povratne nevronske mreže, katastrofalno pozabljanje
Objavljeno: 03.11.2020; Ogledov: 231; Prenosov: 22
.pdf Celotno besedilo (1,50 MB)

14.
Primerjava programskih jezikov Python in R za namene strojnega učenja
Peter Zupan, 2020, diplomsko delo

Opis: V diplomski nalogi primerjamo programska jezika R in Python za namene strojnega učenja. Najprej razložimo, kaj je strojno učenje, nato opišemo algoritme, ki smo jih uporabili pri praktičnih primerih, ter predstavimo programska jezika R in Python. V nadaljevanju diplomskega dela na treh različnih primerih prikažemo delovanje obeh programskih jezikov. Nalogo zaključimo s primerjavo programskih jezikov na podlagi pridobljenih rezultatov in ugotovitev iz praktičnega dela.
Ključne besede: strojno učenje, R, Python, linearna regresija, odločitvena drevesa, nevronske mreže
Objavljeno: 02.11.2020; Ogledov: 150; Prenosov: 45
.pdf Celotno besedilo (1,16 MB)

15.
Uporaba nevronskih mrež v kibernetski varnosti
Črt Uršič, Anže Mihelič, Simon Vrhovec, 2020, pregledni znanstveni članek

Opis: Namen prispevka: Ob neprestanem izboljševanju informacijske infrastrukture so za njeno zaščito potrebni tudi novi pristopi k varnosti in razvoj novih tehnik zaznavanja kibernetskih groženj. Med te tehnologije sodijo tudi nevronske mreže, ki se že dolgo uporabljajo na različnih področjih, kot so medicina, logistika in biologija. Namen prispevka je prepoznati in predstaviti njihovo uporabnost na področju kibernetske varnosti. Metode: Izveden je bil sistematični pregled literature, s katerim so bile prepoznane pozitivne in negativne lastnosti nevronskih mrež kot aktualnega pristopa strojnega učenja za zaznavo kibernetskih napadov. Izvedena je bila tudi primerjava uporabe nevronskih mrež s konvencionalnimi sistemi. Ugotovitve: Rezultati eksperimentov so večinoma v korist nevronskim mrežam, saj je proces hitrejši, natančnejši in z manj lažnimi alarmi kot konvencionalni sistemi, ki običajno delujejo na principu statične analize. Vendar pa so nevronske mreže zaradi njihovega načina delovanja pogosto nepredvidljive in so najbolj učinkovite šele v kombinaciji s konvencionalnimi sistemi. V obstoječi literaturi primanjkujejo predvsem testiranja teh sistemov v realnih situacijah, izven kontroliranih umetnih okolij. Omejitve/uporabnost raziskave V pregled literature so bili vključeni znanstveni prispevki, objavljeni v letih od 2017 do 2019 in indeksirani v bazah Web of Science in Scopus. Izvirnost/pomembnost prispevka: Prispevek s povzetkom osnovnih tehničnih principov delovanja nevronskih mrež predstavlja začetno točko za strokovnjake na področju kibernetske varnosti, ki z njimi še niso seznanjeni. Prispevek povzema trenutno stanje na področju uporabe nevronskih mrež v kibernetski varnosti in potencialne smeri razvoja v prihodnosti. Prispevek predstavlja enega prvih sistematičnih pregledov literature na področju uporabe nevronskih mrež v kibernetski varnosti, ki se je znanstvenoraziskovalno razcvetelo predvsem v zadnjih treh letih.
Ključne besede: nevronske mreže, strojno učenje, umetna inteligenca, sistem za zaznavanje vdorov, škodljiva programska oprema, finance
Objavljeno: 02.10.2020; Ogledov: 239; Prenosov: 14
URL Povezava na celotno besedilo
Gradivo ima več datotek! Več...

16.
Napovedovanje porabe električne energije z rekurentnimi nevronskimi mrežami
Urban Kos, 2020, magistrsko delo

Opis: Predvidevanje porabe električne energije predstavlja zelo pomemben člen v elektroenergetski industriji, saj lahko pripomore k optimizaciji proizvodnje. S pomočjo strojnega učenja, natančneje rekurentnih nevronskih mrež, je mogoče natančno napovedati električno energijo. Veliko vlogo pri napovedovanju igrajo kakovost in količina podatkov ter arhitektura in nastavitve nevronske mreže. V teoretičnem delu je podrobno opisana nevronska mreža in njeni osnovni gradniki, kjer je bilo največ pozornosti posvečene rekurentnim mrežam, praktični del pa prikazuje izvedbo eksperimenta napovedovanja porabe električne energije z rekurentnimi nevronskimi mrežami z različno arhitekturo in podatki.
Ključne besede: rekurentne nevronske mreže, električna energija, napovedovanje električne energije
Objavljeno: 03.07.2020; Ogledov: 262; Prenosov: 56
.pdf Celotno besedilo (7,12 MB)

17.
Klasifikacija časovnih vrst s konvolucijskimi nevronskimi mrežami
Domen Kavran, 2020, magistrsko delo

Opis: V magistrskem delu predstavimo klasifikacijo časovnih vrst z uporabo konvolucijskih nevronskih mrež. Klasifikacija je izvedena nad časovno-frekvenčnimi predstavitvami časovnih vrst, ki so pridobljene z različnimi metodami časovno-frekvenčne analize. Zasnovali smo več arhitektur konvolucijskih nevronskih mrež za klasifikacijo časovnih vrst. Optimizacijski algoritmi za učenje konvolucijskih nevronskih mrež so uporabljali napredno izgubno funkcijo, imenovano žariščna izguba. Za najuspešnejšo metodo izračuna časovno-frekvenčnih predstavitev časovnih vrst se je izkazala zvezna valčna transformacija, s katero smo dosegli povprečno natančnost klasifikacije 90,07 %. Združitev različnih časovno-frekvenčnih predstavitev je izboljšala povprečno natančnost klasifikacije na 92,01 %.
Ključne besede: klasifikacija, globoko učenje, konvolucijske nevronske mreže, časovne vrste, časovno-frekvenčna analiza
Objavljeno: 03.07.2020; Ogledov: 297; Prenosov: 117
.pdf Celotno besedilo (10,95 MB)

18.
Analiza vektorizirane izvorne kode s strojnim učenjem
Aleksej Miloševič, 2020, magistrsko delo

Opis: Statična analiza izvorne kode je pomemben del razvoja programske opreme, ki pa ima nekaj pomembnih pomanjkljivosti, ker z metrik programske kode ne moremo sklepati o semantični pravilnosti. Kot potencialno rešitev smo v magistrskem delu raziskali nevronsko mrežo Code2Vec. V teoretičnem delu smo obravnavali osnovne koncepte umetnih nevronskih mrež, tehnike redukcij dimenzionalnosti vektorjev in delovanje Code2Vec. V praktičnem delu smo izvedli eksperiment vizualizacije, klasifikacije in gručenja nad podatkovno množico, ki jo sestavljajo tako visoko-dimenzionalni vektorji kot tudi splošne značilnosti programske kode metod šestih odprtokodnih projektov. Glede na rezultate sklepamo, da so vektorji Code2Vec koristni za izvedbo statične analize kode.
Ključne besede: umetne nevronske mreže, vektorizacija, Code2Vec, izvorna koda, strojno učenje
Objavljeno: 27.01.2020; Ogledov: 513; Prenosov: 153
.pdf Celotno besedilo (3,93 MB)

19.
Uporabniška programska oprema za napredno organiziranje in urejanje digitalnih slik na osnovi nevronskih mrež
Kristjan Žagar, 2019, diplomsko delo

Opis: V diplomskem delu smo razvili razširljivo uporabniško programsko opremo za organiziranje in urejanje digitalnih slik. Program se deli na tri dele, in sicer organizacijski, urejevalni ter napredni način. Organizacijski način dodatno omogoča razširljive dinamične bližnjice na tipkovnici. Poleg tega smo implementirali dve konvolucijski nevronski mreži. Prva je namenjena skaliranju in ostrenju slik, druga pa za ločevanje nočnih in dnevnih slik. Obe naučeni mreži sta vključeni v napredni način naše aplikacije kot vtičnika. Program smo implementirali v ogrodju .NET, s pomočjo WPF-ja ter programskega jezika C#. Nevronski mreži smo implementirali v jeziku Python in z uporabo aplikacijskega programskega vmesnika Keras. Našo aplikacijo in rezultate smo ovrednotili tako kvalitativno kot tudi kvantitativno na manjši testni množici slik. Dobljeni rezultati so bili primerljivi s sorodnimi rešitvami. Po opravljeni fazi testiranja smo našo programsko opremo posredovali v ocenitev še dvema profesionalnima fotografoma. Dobili smo pozitivno povratno informacijo. Na osnovi vseh rezultatov in povratnih informacij lahko trdimo, da naša programska oprema deluje učinkovito in ponuja primerno uporabniško izkušnjo.
Ključne besede: fotografije, windows aplikacija, programski jezik C#, konvolucijske nevronske mreže
Objavljeno: 23.11.2019; Ogledov: 287; Prenosov: 35
.pdf Celotno besedilo (1,99 MB)

20.
Avtomatiziran sistem za borzno trgovanje
Matevž Celcer, 2019, diplomsko delo

Opis: Namen diplomskega dela je bila raziskava in implementacija sodobnih načinov predvidevanja prihodnjih vrednosti delnic. Razloženi so koncepti borznega in avtomatiziranega trgovanja in japonske svečke. Uporabljeni so bili algoritmi RNN, AR, MA in ARIMA. Izdelek je napisan v celoti v programskem jeziku Python, ključni moduli za razvoj so bili Numpy, Pandas, Statsmodels in Keras. Uporabljena je bila verzija Python 3.7.1.
Ključne besede: časovne vrste, avtoregresivna časovna vrsta, AR, tekoče povprečje MA, ARIMA, ponavljajoče se nevronske mreže, RNN, avtomatizirano borzno trgovanje, japonske svečke
Objavljeno: 21.11.2019; Ogledov: 296; Prenosov: 44
.pdf Celotno besedilo (1,38 MB)

Iskanje izvedeno v 0.33 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici