1. Uvajanje metod strojnega učenja v študijske programe kemijskega inženirstva : magistrsko deloJure Šuster, 2025, magistrsko delo Opis: V magistrskem delu so predstavljeni temeljni koncepti strojnega učenja in orodja za njihovo implementacijo, s posebnim poudarkom na praktičnem učenju z uporabo programskega jezika Python in njegovih uveljavljenih knjižnic, kot so NumPy, Pandas, Scikit-learn, Matplotlib, Keras in TensorFlow. Delo sistematično opisuje ključne faze razvoja modelov strojnega učenja, ki vključujejo pridobivanje in predobdelavo podatkov, izvedbo eksplorativne analize, uporabo različnih algoritmov za učenje ter vrednotenje njihove uspešnosti z ustreznimi metričnimi kazalci. V praktičnem delu so podrobneje prikazani trije primeri uporabe. Prvi primer obravnava napoved topnosti spojin, pri čemer je bil na osnovi javno dostopnega nabora podatkov razvit regresijski model za napoved kvantitativnih vrednosti. Drugi primer prikazuje uporabo klasifikacijskega modela za razvrščanje podatkov, pri čemer je bil poseben poudarek namenjen vrednotenju uspešnosti modela z različnimi metrikami. Tretji primer vključuje učenje večplastne nevronske mreže na znanem podatkovnem naboru ročno napisanih številk MNIST in ilustrira celoten proces – od priprave podatkov, nastavitve arhitekture modela, učenja modela, do vizualizacije in interpretacije rezultatov. Rezultati teh primerov potrjujejo, da je strojno učenje mogoče učinkovito približati študentom kemijskega inženirstva s kombinacijo teoretičnih osnov in praktičnih vaj, kar pomembno prispeva k njihovi boljši usposobljenosti za izzive sodobne industrije.
Ključne besede: strojno učenje, kemijsko procesno inženirstvo, nevronske mreže, regresija, klasifikacija
Objavljeno v DKUM: 30.10.2025; Ogledov: 0; Prenosov: 8
 Celotno besedilo (3,02 MB) |
2. Globoki modeli za detekcijo in prepoznavo obrazov v video vsebinah in slikahStefani Bojanić, 2025, magistrsko delo Opis: Človeški obraz predstavlja eno od najpomembnejših biometričnih značilnosti, saj združuje informacijo o identiteti, spolu, starosti in čustvenem izrazu. V tem okviru se detekcija in prepoznavanje obrazov kažeta kot dva neločljivo povezana procesa. V magistrski nalogi so predstavljeni ključni izzivi tega področja ter stanje razvoja, ki zajema vse od klasičnih metod do sodobnih pristopov z globokim učenjem, s poudarkom na konvolucijskih nevronskih mrežah. Razvoj in eksperimenti so bili izvedeni s programskim jezikom Python. V okolju Visual Studio Code smo tako razvili sistem za prepoznavanje obrazov z uporabo algoritma ArcFace.
Ključne besede: detekcija obrazov, prepoznavanje obrazov, globoko učenje, state of the art, konvolucijske nevronske mreže (CNN), ArcFace
Objavljeno v DKUM: 23.10.2025; Ogledov: 0; Prenosov: 9
Celotno besedilo (4,66 MB) |
3. Detekcija jajčnih mešičkov v ultrazvočnih volumnih z globokimi nevronskimi mrežami na osnovi modela transformer : magistrsko deloŽiga Pečar, 2025, magistrsko delo Opis: V okviru magistrskega dela smo razvili in implementirali tri metode za detekcijo jajčnih mešičkov in jajčnikov v 3D ultrazvočnih volumnih z uporabo globokih nevronskih mrež, osnovanih na arhitekturah tipa transformer. Implementirani sistemi uporabljajo globoko učenje ter arhitekturo transformer in so posebej prilagojeni za obdelavo volumetričnih podatkov. Vse tri rešitve vključujejo pripravo vhodnih ultrazvočnih podatkov, učenje modela na ročno segmentiranih vzorcih ter napovedovanje prisotnosti in oblike mešičkov/jajčnikov v novih podatkih. Za izboljšanje natančnosti smo uporabili različne tehnike bogatenja podatkov ter ločeno obravnavali prisotnost jajčnikov in jajčnih mešičkov. Učinkovitost metod smo ovrednotili s pomočjo kvantitativnih metrik ter vizualno analizo rezultatov nad več volumni iz javno dostopne podatkovne zbirke USOVA3D. Ugotovili smo, da modeli transformer potrebujejo znatno več podatkov, da enačijo ali presežejo zmožnosti konvolucijskih nevronskih mrež.
Ključne besede: nevronske mreže, 3D segmentacija, globoko učenje, 3D sivinski volumni, model transformer
Objavljeno v DKUM: 22.10.2025; Ogledov: 0; Prenosov: 11
Celotno besedilo (3,45 MB) |
4. Optimizacija globokih mrež za prepoznavo čustvenih izrazov : magistrsko deloNejc Zupančič, 2025, magistrsko delo Opis: V sklopu magistrskega dela smo obravnavali kompleksen problem razpoznave čustvenih izrazov s pomočjo globokih nevronskih mrež. Trenutne rešitve so izredno neučinkovite, ko jih prenesemo v realni svet. V praktičnem delu smo s pomočjo evolucijskega algoritma diferencialne evolucije optimizirali parametre treh znanih arhitektur globokih nevronskih mrež – DenseNet121, ResNet50 in VGG16, z željo, da bi pridobili višjo natančnost. S pomočjo učne množice AffectNet in tehnike prenosnega učenja smo modele priredili za problem razpoznave čustvenih izrazov. Z diferencialno evolucijo smo uspešno našli hiperparametre (stopnja učenja, moment, upad uteži), ki nam dajejo malenkost boljše rezultate za posamezen model. Natančnost DenseNet121 smo zvišali za 1,72 % (z 52,24 % na 53,96 %), ResNet za 1,88 % (z 51,86 % na 53,74 %) in VGG16 za 1,59 % (z 52,01 % na 53,6 %). Prav tako smo opazovali, kako velikost množice vpliva na uspešnost. Ugotovili smo, da nam množice, velike od 30 % do 40 %, dajejo rezultate, ki so v povprečju okoli 2 % slabši od rezultatov, pri katerih smo uporabili celotno učno množico.
Ključne besede: prepoznavanje čustev, konvolucijske nevronske mreže, optimizacija parametrov učenja
Objavljeno v DKUM: 17.10.2025; Ogledov: 0; Prenosov: 7
Celotno besedilo (3,15 MB) |
5. Računalniški igralec šaha po metodologiji AlphaZero : magistrsko deloTomaž Piko, 2025, magistrsko delo Opis: V magistrskem delu predstavljamo implementacijo lastnega računalniškega igralca šaha po metodologiji AlphaZero, ki se igre nauči brez predhodnega znanja z igranjem proti samemu sebi. V prvem delu na kratko predstavimo zgodovino računalniškega igranja šaha ter izvedemo pregled osnovnih pristopov šahovskih pogonov. Drugi del zajema implementacijo, učenje in preverjanje delovanja računalniškega igralca. Računalniški igralec je dosegel 2144 točk ELO v igrah z igralnim časom ene minute in 1976 točk ELO v kategoriji s časom treh minut, kar ustreza nivoju močnega amaterskega igralca.
Ključne besede: šah, računalniški igralec, šahovski pogoni, iskalna drevesa, nevronske mreže
Objavljeno v DKUM: 17.10.2025; Ogledov: 0; Prenosov: 6
Celotno besedilo (3,04 MB) |
6. Razvoj čustvene inteligence pri neigrivih likih v videoigrah s pomočjo nevronskih mrežMarko Vrhovnik, 2025, diplomsko delo Opis: V diplomskem delu je opisana implementacija modela za zaznavanje čustvenega tona v besedilu z uporabo nevronskih mrež. Glavni cilj dela je bil implementirati model umetne inteligence, ki razlikuje med pozitivnimi in negativnimi čustvi, ter ga integrirati v videoigro. Po končanem učenju je bil model uvožen v razvojno orodje Unity.
Razvita igra simulira interakcijo med dvema likoma, njen cilj pa je demonstracija uporabe modela umetne inteligence in preverjanje, kako učinkoviti so takšni modeli pri uporabi v videoigrah. Igralec skozi igro odgovarja na vprašanja, cilj pa je odgovoriti na način, pri katerem bo model čustva v odgovoru napovedal kot pozitivna.
Ključne besede: umetna inteligenca, nevronske mreže, naravna obdelava jezika, Unity, razvoj iger, čustva
Objavljeno v DKUM: 15.10.2025; Ogledov: 0; Prenosov: 8
Celotno besedilo (1,30 MB) |
7. Uporaba grafovskih samokodirnikov za odkrivanje anomalij v kompleksnih mrežahNika Kramberger, 2025, magistrsko delo Opis: V magistrskem delu raziskujemo uporabo grafovskih samokodirnikov za odkrivanje anomalij v kompleksnih mrežah. Najprej predstavimo temeljne pojme s področja kompleksnih mrež, grafovskih nevronskih mrež, anomalij in samokodirnikov. Nato opišemo pripravo podatkov, zasnovo modela ter postopek dodajanja atributnih in strukturnih anomalij. Poseben poudarek namenimo vlogi rekonstrukcijskih napak pri prepoznavanju anomalij, uspešnost modela pa ovrednotimo z uporabo metrike F1. Na koncu predstavimo rezultate testiranj in v zaključku povzamemo glavne ugotovitve raziskave.
Ključne besede: samokodirniki, anomalije, kompleksne mreže, grafovske nevronske mreže, metrika F1
Objavljeno v DKUM: 15.10.2025; Ogledov: 0; Prenosov: 8
Celotno besedilo (2,37 MB) |
8. Uporaba konvolucijskih nevronskih mrež za detektiranje krošenj drevesJanez Škrlj, 2025, diplomsko delo Opis: Diplomsko delo se ukvarja z razvojem računskega modela za detektiranje krošenj dreves v tlorisni sliki gozda. Na osnovi študija literature smo ugotovili, da je problem najlažje rešljiv z uporabo konvolucijskih nevronskih mrež. Za praktični del tega zaključnega dela smo izbrali prepoznavalnik YOLO (angl. You Only Look Once). Svojo rešitev z uporabo različice YOLO v7 smo implementirali v orodju DarkNet. Pripravili smo lastno zbirko slik, ki smo jih zajeli s pomočjo brezpilotnega letalnika. Množico podatkov smo ustrezno razdelili v učno in testno množico. Analiza dobljenih rezultatov je pokazala, da je naša rešitev zmožna prepoznavati krošnje dreves v tlorisnih slikah gozdov. Metrika natančnost je bila nad 90 %, je pa bila metrika priklic nekoliko nižja, tj. okrog 50 %. Diplomsko delo podaja tudi nekaj smernic za uporabo tako naučenih modelov v gozdarstvu.
Ključne besede: strojno učenje, konvolucijske nevronske mreže, model “You Only Look Once“ (YOLO), računalniški vid, prepoznava objektov s slike
Objavljeno v DKUM: 01.10.2025; Ogledov: 0; Prenosov: 26
Celotno besedilo (3,69 MB) |
9. Klasifikacija glasbenih instrumentov s pomočjo nevronskih mrežJure Lebar, 2025, magistrsko delo Opis: V magistrskem delu je obravnavana klasifikacija glasbenih instrumentov s pomočjo nevronskih mrež. Primerjani so bili trije modeli: enodimenzionalna konvolucijska mreža (1D CNN), dvodimenzionalna konvolucijska mreža (2D CNN) in rekurentna nevronska mreža (LSTM). Kot vhodni podatki so bili uporabljeni mel-spektrogrami zvočnih posnetkov desetih različnih instrumentov. Rezultati kažejo, da je 2D CNN dosegla najboljšo natančnost pri klasifikaciji, medtem ko je LSTM imel največ napak, a je kljub temu dosegel solidne rezultate.
Ključne besede: nevronske mreže, klasifikacija instrumentov, konvolucijska mreža, rekurentna nevronska mreža
Objavljeno v DKUM: 22.09.2025; Ogledov: 0; Prenosov: 17
Celotno besedilo (4,08 MB) |
10. Klasifikacija krompirja s pomočjo globokih nevronskih mrež s podporo barvne in termovizijske analizeTaja Pec, 2025, magistrsko delo Opis: V magistrskem delu obravnavamo klasifikacijo krompirja v tri kakovostne razrede – gnili, krmni in jedilni – z uporabo naprednih globokih nevronskih mrež. Model smo razvili v programskem jeziku Python z uporabo ogrodja TensorFlow. Primerjali smo učinkovitost treh sodobnih arhitektur konvolucijskih nevronskih mrež: EfficientNet, DenseNet in Xception, ter na podlagi rezultatov izbrali najbolj primerno za našo podatkovno bazo. DenseNet201 je izstopal kot najbolj natančen in stabilen model, DenseNet121 pa je ponujal najboljše ravnovesje med natančnostjo in računsko zahtevnostjo. Preizkusili smo tudi termovizijsko kamero za preučevanje možnosti zaznave gnilobe na podlagi temperaturnih razlik krompirja in opisali omejitve te metode. Cilj raziskave je razvoj inteligentnega, cenovno dostopnega sistema za avtomatsko sortiranje krompirja, ki bi povečal produktivnost kmetijske proizvodnje ob minimalnih stroških.
Ključne besede: globoko učenje, konvolucijske nevronske mreže, klasifikacija krompirja, TensorFlow, termovizijska analiza
Objavljeno v DKUM: 22.09.2025; Ogledov: 0; Prenosov: 11
Celotno besedilo (8,18 MB) |
