1. 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: 23
Celotno besedilo (5,01 MB) |
2. 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: 34
Celotno besedilo (4,19 MB) |
3. Proučevanje zunanjih dejavnikov pri napovedovanju cene kriptovalut s strojnim učenjem : diplomsko deloJakob Cvetko, 2023, diplomsko delo Opis: Zmožnost napovedovanja gibanja cene finančnih instrumentov predstavlja priložnost za visoke zaslužke. Eni izmed tehnični pristopov, ki se na področju finančnega trgovanja že dalj časa uspešno uporabljajo, so metode strojnega učenja. V diplomski nalogi smo se ukvarjali z napovedovanjem cene kriptovalute Bitcoin. Modeliranje smo začeli s pridobivanjem raznih podatkov, povezanih s ceno kriptovalute, in nato z algoritmom XGBoost izdelali napovedni model. Razumevanje napovedi je ključnega pomena, zato smo uporabili razlagalni algoritem SHAP, s katerim smo dobili globlji vpogled v napovedni model. Izkazalo se je, da imajo podatki, neposredno vezani na ceno kriptovalute, največjo vlogo pri napovedi, temu pa sledi indeks strahu in pohlepa. Ključne besede: kriptovalute, strojno učenje, XGBoost, napovedovanje časovnih vrst, SHAP Objavljeno v DKUM: 07.06.2023; Ogledov: 686; Prenosov: 96
Celotno besedilo (2,08 MB) |
4. |
5. Napovedovanje časovnih vrst z uporabo povratnih nevronskih mrež : diplomsko deloNiko Uremović, 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 v DKUM: 03.11.2020; Ogledov: 1742; Prenosov: 123
Celotno besedilo (1,50 MB) |
6. Analiza trga kriptovalut s postopki slepega ločevanja izvorov : magistrsko deloJan Mikolič, 2020, magistrsko delo Opis: V magistrskem delu izvedemo analizo trga kriptovalut z metodami slepega ločevanja izvorov. Osredotočimo se na algoritma FastICA in SOBI. Preizkusimo različne vrednosti vhodnih parametrov in stroškovnih funkcij. Ugotovimo, da je algoritem SOBI s številom zakasnitev 400 primernejši, saj izkorišča časovno strukturo zgodovinskih cen kriptovalut. Na podlagi mešalnega modela kriptovalute gručimo v skupine, na katere vplivajo podobni dejavniki. Predstavimo model za napovedovanje cen kriptovalut na podlagi izračunanih neodvisnih komponent. Zaključimo z ugotovitvijo, da napovedovanje cen kriptovalut zgolj na podlagi zgodovinskih podatkov o cenah najverjetneje ni možno ne glede na napovedovalni model in predhodne transformacije. Ključne besede: kriptovalute, analiza neodvisnih komponent, slepo ločevanje izvorov, napovedovanje časovnih vrst, FastICA, SOBI Objavljeno v DKUM: 12.02.2020; Ogledov: 2445; Prenosov: 316
Celotno besedilo (1,78 MB) |
7. Uporaba nevronskih mrež za napoved pretovora v Luki Koper, d.d.Tom Žumer, 2017, magistrsko delo/naloga Opis: Uspešne odločitve podjetij med drugim temeljijo tudi na napovedih. Le-te morajo biti dobre in natančne, da lahko podjetja ohranjajo svojo konkurenčno prednost. Napovedi se danes izvajajo z naprednejšimi metodami, med katere spadajo tudi nevronske mreže. V magistrskem delu smo želeli ugotoviti, ali so umetne nevronske mreže primerne za napovedovanje pretovora v Luki Koper, d. d. Podatki pretovora so bili sestavljeni iz generalnega in tekočega tovora, zaradi česar smo razvili dva modela umetne nevronske mreže, in sicer model mreže časovne vrste generalnega tovora in model mreže časovne vrste tekočega tovora. Modela vsebujeta t. i. NARX (ang. nonlinear autoregressive network with exogenous inputs) arhitekturo nevronske mreže. Izdelavo modela smo razdelili v dva koraka. V prvem koraku smo naredili redukcijo makroekonomskih kazalnikov, ki so nam predstavljali eksogene vhode modela. Izvedli smo jo z metodo analize glavnih komponent v kombinaciji z Monte Carlo simulacijo ter multiplo linearno regresijo. Modelu umetne nevronske mreže generalnega tovora smo namenili deset spremenljivk, modelu za tekoči tovor pa smo namenili štiri spremenljivke. V drugem koraku smo razvili umetno nevronsko mrežo generalnega in tekočega tovora. Rezultati obeh modelov so bili zadovoljivi. Poleg solidnega prileganja ocenjenih in dejanskih podatkov pretovora sta modela izpolnila tudi vse kriterije za kakovost modela. Glede na dobljene rezultate obeh modelov menimo, da so umetne nevronske mreže primerne za napovedovanje pretovora v Luki Koper, d. d. Ključne besede: umetna nevronska mreža, analiza glavnih komponent, Monte Carlo simulacija, makroekonomski kazalniki, pretovor, napovedovanje, analiza časovnih vrst Objavljeno v DKUM: 05.06.2017; Ogledov: 1935; Prenosov: 168
Celotno besedilo (4,14 MB) |