1. Odločitveni modeli za napovedovanje povpraševanja in upravljanje zalog v podjetju Tech-gum d.o.o.Gašper Kuhta, 2025, magistrsko delo Opis: Magistrsko delo obravnava ključne odločitvene modele na področju napovedovanja povpraševanja in optimizacije zalog v proizvodnem podjetju Tech-gum d.o.o. Osrednji raziskovalni cilj je bil oblikovati metodološki okvir, ki bi podprl proces odločanja v proizvodnem okolju z dvojnim modelom poslovanja: izdelki za industrijsko uporabo, ki se proizvajajo po naročilu (Make-to-Order), ter potrošniški izdelki iz silikona, ki se proizvajajo na zalogo (Make-to-Stock). V teoretičnem delu so obravnavani pristopi napovedovanja, modeli planiranja proizvodnje ter metode upravljanja zalog, s posebnim poudarkom na povezavi med stabilnostjo oskrbovalne verige in finančnimi posledicami odločitev o nabavi. Posebna pozornost je namenjena dejstvu, da vsaka poslovno-ekonomsko utemeljena odločitev ni nujno tudi finančno izvedljiva, saj lahko kratkoročna likvidnost denarnih sredstev preseže pomen donosnosti, kar se še posebej odraža v gospodarskih razmerah v času pisanja dela. Analitično podlago obravnave predstavljajo modeli ekonomske količine naročila (EOQ) z razširitvami za postopno dobavo in količinske popuste, model signalne varnostne zaloge kot instrumenta obvladovanja tveganj v oskrbovalni verigi ter regresijski model napovedovanja porabe z izračunom odklonov in napak kot merila natančnosti napovedi. Takšen večdimenzionalni teoretični okvir omogoča celovito presojo o tem, kako izbrane odločitvene metode vplivajo tako na optimizacijo zalog in proizvodno učinkovitost, kot tudi na širšo finančno stabilnost podjetja.
Empirični del zajema uporabo modela signalne zaloge, primerjavo različnih scenarijev oskrbe z materialom ter napovedovanje porabe surovin z uporabo metod linearnega trenda in drsečih povprečij. Rezultati napovedovanja so pokazali, da se metoda linearnega trenda izkazuje za natančnejšo od metode drsečih povprečij glede na merilo povprečne absolutne napake (MAE), kar potrjuje njeno večjo primernost za kratkoročno planiranje porabe silikona. Nadalje je bila izvedena analiza vpliva različnih modelov oskrbe na finančne kazalnike podjetja, med katerimi so ključni EBITDA, denarni tok ter razmerje med dolgom in kapitalom. Ugotovitve so pokazale, da scenarij postopne dobave kratkoročno ugodneje vpliva na likvidnost in znižuje zadolženost, medtem ko se v srednjeročnem obdobju kot ekonomsko bolj smiseln izkaže scenarij enkratne nabave, saj omogoča nižje skupne nabavne stroške in posledično višjo kapitalsko ustreznost. Hipoteze so bile zasnovane tako, da se medsebojno dopolnjujejo in tvorijo celovit analitični okvir, rezultati pa potrjujejo strateški pomen izbire ustreznih modelov, saj razlike v stroških in obsegu vezanih sredstev v zalogah pomembno vplivajo na poslovno-finančno uspešnost podjetja.
Zaključki magistrskega dela potrjujejo, da je ustrezna izbira modela oskrbe in metode napovedovanja odvisna od časovnega horizonta, stabilnosti prodajnih tokov ter finančne strukture podjetja. Delo tako prispeva k boljšemu razumevanju povezave med proizvodnim planiranjem, finančnimi posledicami odločitev ter strateškim obvladovanjem zalog.
Ključne besede: napovedovanje povpraševanja, upravljanje zalog, signalna zaloga, linearni trend, drseče povprečje, odločanje, scenariji nabave, finančni kazalniki, MAE, EOQ, denarni tok
Objavljeno v DKUM: 03.11.2025; Ogledov: 0; Prenosov: 1
 Celotno besedilo (2,03 MB) |
2. Primerjava modelov LSTM, CNN in Transformer ter njihovih kombinacij pri napovedovanju časovnih vrstTilen Koren, 2025, magistrsko delo Opis: V magistrskem delu smo primerjali izbrane arhitekture nevronskih mrež (LSTM, CNN, časovni Transformer in hibridne CNN-LSTM) pri napovedovanju časovnih vrst s posamezno spremenljivko in z več spremenljivkami ter pri različnih časovnih horizontih. Rezultati kažejo, da TCN (različica CNN) in LSTM največkrat dosežeta najnižje vrednosti napak. TCN se je izkazal kot najboljša izbira, saj pri zelo majhnem številu parametrov dosega rezultate, primerljive z večjimi modeli.
Ključne besede: Napovedovanje časovnih vrst, Nevronske mreže, Mreža z dolgim kratkoročnim spominom, Časovna konvolucijska mreža, Transformer
Objavljeno v DKUM: 10.07.2025; Ogledov: 0; Prenosov: 38
Celotno besedilo (1,26 MB) |
3. Razvoj modela za napovedovanje odjema toplote v sistemu daljinskega ogrevanja z uporabo umetne inteligence : magistrsko deloPatrik Jakopiček, 2025, magistrsko delo Opis: Magistrsko delo obravnava razvoj različnih modelov globokih nevronskih mrež za napovedovanje odjema toplote v sistemu daljinskega ogrevanja. Razviti so bili trije napovedni modeli, pri čemer ima vsak svoje prednosti in slabosti. Predstavljen je celoten postopek razvoja – od zbiranja in urejanja podatkov, izbire ustreznih slojev in arhitekture nevronskih mrež, do določitve hiperparametrov učenja. Za vsako kombinacijo modelov so prikazane tudi metrične napake. Poleg tega so ocenjeni prihranki oziroma dodatni stroški ob uporabi posameznih napovedi. Rezultati so pokazali, da razviti modeli v nekaterih primerih podajo boljšo napoved od trenutno uporabljenega sistema napovedovanja in z njimi lahko prispevamo k optimizaciji stroškov. V primerih, kjer zaostajajo, pa nam razviti modeli ponujajo dobro izhodišče za nadaljnji razvoj in izboljšave.
Ključne besede: daljinski sistem ogrevanja, globoko učenje, LSTM, programsko napovedovanje
Objavljeno v DKUM: 27.05.2025; Ogledov: 0; Prenosov: 62
Celotno besedilo (8,05 MB) |
4. Aktivno spremljanje funkcionalnih parametrov človeškega zdravjaLeon Pahole, 2025, magistrsko delo Opis: V magistrskem delu smo analizirali parametre človeškega zdravja, kot so frekvenca dihanja, srčni utrip, in podobni. Zanimalo nas je, ali parametri skozi čas sledijo določenemu vzorcu in ali jih je možno napovedovati. Za dosego cilja smo najprej raziskali medicinsko interpretacijo parametrov. Nato smo preučili vse korake univariatne in multivariatne analize časovnih vrst: uvoz in predobdelava podatkov, analiza in napovedovanje vrednosti ter evaluacija rezultatov. Korake smo implementirali nad lastnimi podatki, merjenimi na napravi Fitbit Charge 5. Na podlagi rezultatov smo sklepali o uporabnosti in natančnosti uporabljenih modelov ter predlagali izboljšave.
Ključne besede: analiza časovnih vrst, napovedovanje časovnih vrst, parametri človeškega zdravja, univariatna analiza, multivariatna analiza
Objavljeno v DKUM: 04.03.2025; Ogledov: 0; Prenosov: 33
Celotno besedilo (5,01 MB) |
5. Učenje s prenosom znanja z uporabo rekurentnih nevronskih mrež za namen napovedovanja cen živil : magistrsko deloJana Janković, 2024, magistrsko delo Opis: Živila so osnovne dobrine z velikim vplivom na gospodarsko in družbeno stabilnost, zato je natančno napovedovanje njihovih cen ključno. Modeli globokega učenja lahko prepoznajo kompleksne vzorce v časovnih vrstah, kot so zgodovinske cene živil. V tej raziskavi smo eksperimentalno primerjali konvencionalni pristop učenja in učenje s prenosom znanja v rekurentnih nevronskih mrežah za napovedovanje cen. Po iskanju optimalnih hiperparametrov smo modele naučili nad podatki, uporabili prenos znanja in ovrednotili oba pristopa. Na podlagi pridobljenih rezultatov smo ugotovili, da učenje s prenosom znanja bistveno pospeši proces učenja, vendar na račun slabše napovedne uspešnosti. Kljub temu pa rezultati magistrskega dela prispevajo k razumevanju, kdaj, zakaj in v kakšnih primerih je uporaba učenja s prenosom znanja smiselna izbira.
Ključne besede: napovedovanje cen živil, učenje s prenosom znanja, RNN, analiza časovnih vrst.
Objavljeno v DKUM: 15.01.2025; Ogledov: 0; Prenosov: 64
Celotno besedilo (4,19 MB) |
6. Vključevanje orodij umetne inteligence v celovite informacijske rešitve: primer napovedovanja prodaje in zalogGarvin Gajšek, 2024, magistrsko delo Opis: Izziv dela predstavlja integracijo celovitih informacijskih rešitev s tehnologijami umetne inteligence za napovedovanje prodaje in upravljanje zalog v podjetjih, s posebnim poudarkom na platformi Microsoft Dynamics 365 Business Central. V sodobnem poslovnem okolju predstavlja napovedovanje prodaje in zalog enega izmed ključnih elementov za ohranjanje konkurenčne prednosti podjetij. Zaradi naraščajočega pomena teh dejavnikov se vse pogosteje poslužujemo orodij umetne inteligence in strojnega učenja, ki omogočajo bolj natančne in pravočasne napovedi ter optimizacijo zalog. Ena izmed glavnih prednosti strojnega učenja je sposobnost obravnave kompleksnih podatkovnih nizov, ki vključujejo več dejavnikov ali značilk. S tem lahko izboljšamo model in natančnost napovedi, saj lahko algoritmi strojnega učenja učinkoviteje izkoristijo informacije, ki jih vsebujejo podatki. Ta pristop nam daje pomembno prednost nad konkurenco in nam omogoča, da ostajamo korak pred njo v dinamičnem poslovnem okolju. Seveda pa je ključnega pomena pravilna izbira dejavnikov, ustrezna obdelava podatkov ter izbira ustrezne metode strojnega učenja, da lahko dosežemo najboljše rezultate pri napovedovanju. Velik izziv na področju na tem področju je zato vprašanje, katere podatke in zgodovino podatkov umetna inteligenca uporablja in potrebuje za izvajanje kvalitetnih napovedi.
V magistrskem delu predstavimo osnovne paradigme strojnega učenja (angl. machine learning, v nadaljevanju ML), ki so uporabljene v našem eksperimentu napovedovanja prodaje iz zalog. Opisani so elementi poteka dela ML, okvir regresijsko temelječih metod ML in ocenjevalne matrike ML. Pomemben del naloge je posvečen analizi in opisu programske kode jezika R, s katero poglobimo razumevanje delovanja modela strojnega učenja v okolju Azure Machine Learning (v nadaljevanju AML) Studio. Model strojnega učenja v AML Studio je nato objavljen kot spletna storitev, do katere dostopamo preko REST (prenos predstavitvenega stanja, angl. REpresentational State Transfer, v nadaljevanju REST) API (aplikacijski programski vmesnik, angl. Application Programming Interface, v nadaljevanju API) protokola.
V nadaljevanju je opisan razvoj razširitve Business Centrala, ki predstavlja jedro izvedbe napovedovanja in integracije vtičnika strojenega učenja. Razširitev služi kot neposredni komunikator med uporabnikom in modelom strojnega učenja. Končnemu uporabniku Business centrala omogoča izvajanje funkcij učenja, ocenjevanja in napovedovanja.
Magistrsko delo zaključimo z interpretacijo kvantitativnih rezultatov napovedi. Kvantitativna primerjava rezultatov različnih modelov strojenega učenja nam pokaže, da eksperiment strojnega učenja sicer izpolnjuje osnovne pogoje in procese napovedovanja, a se sooča z določenimi pomanjkljivostmi.
Ključne besede: umetna inteligenca, strojno učenje, celovite informacijske rešitve, napovedovanje prodaje in zalog, nadzorovano učenje.
Objavljeno v DKUM: 07.01.2025; Ogledov: 0; Prenosov: 60
Celotno besedilo (2,64 MB) |
7. Razvoj napovednih modelov z uporabo strojnega učenja za zmanjšanje izmeta v proizvodnji podjetja Talum, d. d.Alen Gojkošek, 2024, magistrsko delo Opis: Magistrsko delo se osredotoča na razvoj napovednih modelov za napovedovanje izmeta aluminijastih izdelkov v proizvodnji podjetja Talum. Raziskava vključuje analizo proizvodnega procesa, obdelavo podatkov in uporabo različnih tehnik strojnega učenja. Z uporabo metod, kot so eksplorativna analiza podatkov, inženiring značilk in k-kratno prečno preverjanje, so bili razviti in ovrednoteni modeli za napovedovanje izmeta. Rezultati kažejo na izboljšano razumevanje dejavnikov, ki vplivajo na izmet, in ponujajo priložnosti za optimizacijo proizvodnega procesa. Delo zaključujejo priporočila za implementacijo modelov in nadaljnje raziskave na tem področju.
Ključne besede: strojno učenje, aluminijasti ulitki, napovedovanje izmeta, optimizacija proizvodnje, analiza podatkov
Objavljeno v DKUM: 22.10.2024; Ogledov: 0; Prenosov: 52
Celotno besedilo (2,61 MB) |
8. Analiza in optimizacija procesnih parametrov sušilnice za koruzo : magistrsko deloMarko Simonič, 2024, magistrsko delo Opis: Magistrsko delo obsega opis razvoja in implementacije modela globoke nevronske mreže z LSTM arhitekturo. Model omogoča napovedovanje vlažnosti koruze na izhodu iz sušilnega sistema na podlagi meritev vlažnosti koruze na vhodu in beleženja temperaturnih parametrov med obratovanjem. Razvoj modela je vključeval temeljito analizo in preučitev posameznih temperaturnih parametrov. Pri tem smo izvedli regresijsko analizo, ki je raziskovala vpliv vhodne vlažnosti, ciljne temperature gorilnika in časa sušenja med izpusti koruze na spremembe temperaturnih parametrov v sušilnem sistemu. Poleg tega smo preučili tudi statistične vplive samih temperaturnih parametrov na vlažnost koruze na izhodu iz sušilnega sistema. Analiza nam je omogočila ustrezno pripravo podatkov za učenje napovednih modelov. Uspešnost razvitih napovednih modelov je ocenjena s povprečno absolutno napako (angl. mean absolute error – MAE), povprečno kvadratno napako (angl. mean squared error – MSE), korenom povprečne kvadratne napake (angl. root mean squared error – RMSE) in srednjo absolutno odstotkovno napako (angl. mean absolute percentage error – MAPE).
Najuspešnejši model za napovedovanje vlažnosti na izhodu iz sušilnega sistema je imel na učnih podatkih odlično zmogljivost napovedovanja, saj so povprečne vrednosti MAE znašale 0,352, RMSE 0,645, MSE 0,416 in MAPE 2,555. Izvedena je bila tudi vizualizacija rezultatov za nadaljnjo analizo in interpretacijo.
Ključne besede: sušilni sistem, globoko učenje, LSTM, napovedovanje, optimizacija, koruza, vlaga
Objavljeno v DKUM: 28.03.2024; Ogledov: 275; Prenosov: 113
Celotno besedilo (3,60 MB) |
9. Napovedovanje prodaje zdravil z uporabo naprednih metod napovedovanja časovnih vrst : magistrsko deloŽan Pudič, 2023, magistrsko delo Opis: Magistrsko delo zajema uporabo naprednih modelov za napovedovanje prodaje zdravil. Cilj dela je s pomočjo naprednih metod napovedovanja v programskem okolju R, postaviti napovedovalne modele za posamezne skupine zdravil, ki bodo v izbranih intervalih zaupanja uspešno napovedali prihodnjo prodajo. V delu smo za potrebe napovedovanja uporabili modele kot so ARIMA, CNN, Holt-Winters pri čemer smo te primerjali z naivno metodo napovedovanj in tako ocenili njihovo sposobnost napovedovanja. Prav tako smo v delu podrobno analizirali izhode v fazi kreiranja modelov na podlagi katerih smo izvedli nadaljnjo selekcijo modelov s katerimi lahko uspešno napovemo prihodnjo prodajo. Uspešne napovedi smo izvedli pri vseh skupinah zdravil. V delu je najuspešnejšo napoved pri skupinah zdravil M01AB. M01AE, N02BA, N05C, R03 in R06 imel ARIMA model. Prodajo v skupinah zdravil N05C in N02BE pa lahko napovedujemo zgolj z uporabo CNN, saj noben izmed preostalih modelov ni uspel dovolj dobro zajeti informacij znotraj časovne vrste, da bi lahko z njim podali napoved.
Ključne besede: napredne metode napovedovanja, časovne vrste, napovedovanje prodaje, napovedovalni modeli, ARIMA, CNN, Holt-Winters.
Objavljeno v DKUM: 26.09.2023; Ogledov: 436; Prenosov: 84
Celotno besedilo (3,58 MB) |
10. Identifikacija žensk za visokorizičen izvid po konizaciji z uporabo nevronskih mrežMarko Mlinarič, 2023, doktorska disertacija Opis: Na svetu je rak materničnega vratu (RMV) četrti najpogostejši rak pri ženskah. V Sloveniji je bil pri ženskah leta 2017 na sedemnajstem mestu. Z ustreznim presejanjem, zgodnjim odkrivanjem predrakavih sprememb in njihovim zdravljenjem, ga je mogoče preprečiti. Metode umetne inteligence ('artificial intelligence – AI') bi lahko postale orodje, ki bi pripomoglo k rešitvi problema RMV.
Z našo študijo smo želeli preveriti, ali lahko z umetnimi nevronskimi mrežami na podlagi dejavnikov tveganja za razvoj ploščatocelične intraepitelijske lezije (PIL) na materničnem vratu (MV) in RMV ter izvida zadnjega brisa materničnega vratu (BMV) napovemo, ali bo končni histološki izvid konusa PIL visoke stopnje (PIL-VS) oziroma RMV ali ne. Poleg nevronskih mrež smo preizkusili tudi nekatere druge klasifikacijske sisteme.
Za analizo smo uporabili podatke 1475 pacientk, ki so imele narejeno konizacijo na Kliniki za ginekologijo in perinatologijo Univerzitetnega kliničnega centra Maribor v letih 1993–2005. Vse podatke smo anonimizirali. Uporabili smo metode za uravnoteženje manjšinskega in večinskega razreda. Za analizo smo oblikovali več baz, izvedli pa smo jo z odprtokodnim programskim paketom za podatkovno rudarjenje WEKA.
Nevronske mreže so bile uspešnejše pri napovedovanju tveganih pacientk kot večinski algoritem. V naši študiji se je klasifikacijski algoritem Random Forest s sestavljeno metodo 'bagging' izkazal kot najuspešnejši in bi bil primeren za klinično uporabo.
Ključne besede: rak materničnega vratu, ploščatocelična intraepitelijska lezija visoke stopnje, umetna inteligenca, umetne nevronske mreže, napovedovanje tveganja
Objavljeno v DKUM: 24.08.2023; Ogledov: 456; Prenosov: 47
Celotno besedilo (4,12 MB) |
